机器学习第二章 模型评估与选择
博客专区 > DDDDavid 的博客 > 博客详情
机器学习第二章 模型评估与选择
DDDDavid 发表于5个月前
机器学习第二章 模型评估与选择
  • 发表于 5个月前
  • 阅读 5
  • 收藏 0
  • 点赞 0
  • 评论 0

腾讯云 技术升级10大核心产品年终让利>>>   

2.1经验误差与过拟合

错误率:E=a/m

精度:=1-错误率

训练集上的误差:训练误差或经验误差

新样本上的误差:泛化误差

 

p问题,可以在多项式时间内解决的问题,polynomial problem。

np 问题,可以在多项式的时间里验证一个解的问题,non-deterministic polynomial。

npc问题,是NP的一个子集,且其中每一个问题均能由NP中的任何问题在多项式时间内转化而成,np complete。

 

2.2评估方法

(1)留出法:数据划分,分层采样,大约2/3~4/5样本用于测试;

(2)交叉验证法:k折交叉验证,数据分为k组(k常取10),k-1个用于训练,余下用于测试。留一法:m个样本,k=m。

(3)自助法:以自助采样法为基础,适用于数据集较小,难以有效划分训练/测试集时,测试结果称为“包外估计”。

(4)调参与最终模型

 

2.3性能度量

回归任务常用的性能度量:均方误差

(1)       错误率与精度。

(2)       查准率、查全率与F1:

真正例TP,假反例FN

假正例FP,真反例TN

查准率P=TP/(TP+FP)

查全率R=TP/(TP+FN)

P-R曲线,平衡点:P=R。

F1度量:查准率与查全率的调和平均数F1=2*P*R/(P+R)=2*TP/(总数+TP-TN)

Fβ=(1+β2)*P*R/(β2*P+R), β>1查全率影响大,β<1查准率影响大

微查准率Micro-P=TP/(TP+FP)

微查全率Micro-R=TP/(TP+FN)

微F1=2*micro-P*micro-R/(micro-P+micrp-R)

(3)       ROC与AUC,研究学习器泛化性能

受试者工作特征:ROC

纵轴,真正例率,TPR=TP/(TP+FN)

横轴,假正例率,FPR=FP/(TN+FP)

AUC:ROC曲线下的面积AUC=1-lrank

(4)       代价敏感错误率与代价曲线

正例概率代价P(+)cost=p*cost01/(p*cost01+(1-p)*cost10)

归一化代价cost=[FNR*P*cost01+FPR*(1-P)*cost10]/[ p*cost01+(1-p)*cost10]

 

2.4比较检验

(1)假设检验

二项检验

t检验

(2)交叉验证t检验

(3)McNemar检验

(4)Friedman检验与Nemenyi检验

 

2.5偏差与方差

泛化误差可分解为偏差、方差与噪声之和。

偏差-方差窘境

共有 人打赏支持
粉丝 0
博文 4
码字总数 3947
×
DDDDavid
如果觉得我的文章对您有用,请随意打赏。您的支持将鼓励我继续创作!
* 金额(元)
¥1 ¥5 ¥10 ¥20 其他金额
打赏人
留言
* 支付类型
微信扫码支付
打赏金额:
已支付成功
打赏金额: