本文介绍了在机器学习中，如何评价一个hypothesis的性能。通过错误率、Precision/Recall以及F1 Score等指标，详细阐述了如何全面评估预测模型的优劣。错误率可能无法反映实际情况，例如在癌症预测系统中。Precision和Recall之间存在权衡，F1 Score则提供了综合评价。正确的评价标准选择取决于具体应用需求。
机器学习算法的主要用途之一就是 预测。通常，使用机器学习算法的流程是
question 》data 》feature 》 algorithm 》 hypothesis 》 evaluation
当数据通过 算法训练得到一个hypothesis之后，我们要用这个hypothesis对新的数据进行预测，那么在此之前，我们先要对这个hypothesis进行评估，判断它是否是一个好的hypothesis。
先约定一些变量
X_train： 用于训练的数据 matrix
Y_train: 用于训练的结果 vector
X_cv: 用于cross validation 的数据matrix
Y_cv: 用于cross validation 的结果vector (ps: cross validation 是用于选择更好的算法参数，从而得到更好的训练结果hypothesis)
最低0.47元/天 解锁文章
4万+
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
