机器学习笔记--模型评估与选择

经验误差与过拟合

错误率:m个样本中有a个样本分类错误: a/m.
精度: (1a/m)100%
误差:实际预测输出与样本真实输出之间的差异

  • 训练集上:训练误差(training error)
  • 新样本上:泛化误差(generalization error)
    过拟合:学习性能太好,把样本本身独有的特点学到,NPhard问题,难解决。
    欠拟合:学习性能不好。

评估方法

留出法

把数据集D分为两个互补的集合S和T。S用来训练模型,T用来评估测试误差。
注意:

  1. 训练/测试集划分尽量保持数据分布的一致性。
  2. 及时在给定训练/测试集的样本比例后,任存在许多划分方式
  3. 一般取若干次随机划分,重复进行实验评估后取平均值作为留出法结果。

交叉验证法

D划分为K个互不相交的集合 Di ,用k-1个子集作为训练集,这样就有K组训练/测试集,最后取k组结果平均值(k-fold cross validation)

k一般取10,称为10折交叉验证.

重复做p次,则有p次k折交叉验证。

留一法:k=m.结果往往认为比较准确,但计算开销大(m个样本,则要训练m个模型)

自助法

D中采样,选取一个样本拷贝到D’中,然后再把这个样本放回D中。重复m次,得到D’.用D’作为训练集,用D/D’作为测试集。

这里,由于D中一个样本始终不被采到的概率为:

(11/m)m,
趋近于 1/e ,约等于0.368.这就是说,D中大概有36.8%的样本不在D’中。

优点:

  • D较小时,难以划分S/T时很有用
  • 能从D中产生多个不同的S对集成学习有很大好处

缺点:

  • 改变了初始数据集的分布,引入了估计偏差

调参与最终模型

模型选择完成后重新训练整个D得到最终模型

性能度量

学习期结果 f(x) 与真是标记对比
均方误差:回归任务中,均方误差表示为

E(f;D)=1/mi=1m(f(xi)yi)2

对于数据分布 D 和概率密度函数p(.):
待续

比较检验

偏差与方差

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值