机器学习基础知识详解！

↑↑↑关注后"星标"Datawhale

每日干货 & 每月组队学习，不错过

 Datawhale干货 

作者：胡联粤，Datawhale面经小组

Q1

⽼板给了你⼀个关于癌症检测的数据集，你构建了⼆分类器然后计算了准确率为 98%， 你是否对这个模型满意？为什么？如果还不算理想，接下来该怎么做？

首先模型主要是找出患有癌症的患者，模型关注的实际是坏样本。其次一般来说癌症的数据集中坏样本比较少，正负样本不平衡。

准确率指的是分类正确的样本占总样本个数的比率

其中为正确分类样本的个数，为总样本分类的个数。

当好样本(未患病)的样本数占99%时，模型把所有的样本全部预测为好样本也可以获得99%的准确率，所以当正负样本非常不平衡时，准确率往往会偏向占比大的类别，因此这个模型使用准确率作为模型的评估方式并不合适。

鉴于模型关注的实际是坏样本，建议使用召回率(Recall)作为模型的评估函数。

Recall 是分类器所预测正确的正样本占所有正样本的比例，取值范围为[0,1]，取值越大，模型预测能力越好。

其次，使用类别不平衡的解决方案：

常见的处理数据不平衡的方法有：重采样、Tomek links、SMOTE、NearMiss等

除此之外：还可以使用模型处理：使用多种树模型算法，使用多种重采样的训练集，对少数样本预测错误增大惩罚，避免使用Accuracy，可以用confusion matrix，precision，recall，f1-score，AUC，ROC等指标。

Q2

怎么判断⼀个训练好的模型是否过拟合？如果判断成了过拟合，那通过什么办法 可以解决过拟合问题？

模型在验证集合上和训练集合上表现都很好，而在测试集合上变现