The Difference Between Assessing and Exploring Data

数据评估 和 数据探索 的不同

数据评估(data assessment)属于数据整理的一部分;数据探索(data exploration)属于探索性数据分析(EDA)的一部分。

为了保护小哥肖像权,涂花了,哈哈

数据整理(Data Wrangling)重在收集正确的数据,评估数据的质量和结构,然后清理数据;但是这些并不会改进分析、也不会改善可视化及模型。

探索性数据分析(EDA) 重在探索数据并增强数据,以最大限度的发挥分析、可视化和模型的潜力。在探索数据时,通常会使用简单的可视化来总结数据的主要特征,进而删除异常数据,并创建新的更具描述性的特征,这一过程也称为特征工程

Data Wrangling 和 EDA 可以同时进行。

为评估生成模型的改进精确度和召回率指标,首先需要理解生成模型的基本概念。生成模型是一种用于根据给定的输入数据生成新样本的机器学习模型。它可以学习数据的分布,并生成与训练数据相似的新样本。 精确度和召回率是评估模型性能的重要指标。精确度衡量模型生成的样本中正确样本的比例,而召回率衡量模型是否能够完整地生成真实样本的比例。 对于评估生成模型的精确度和召回率,可以考虑以下改进指标: 1. 平均精确度:除了计算总体精确度外,还可以计算每个类别的精确度,并求其平均值。这可以帮助我们了解模型在不同类别上的性能差异,并对结果进行更精细的分析。 2. 样本多样性:在评估生成模型时,除了关注精确度和召回率,还应注意样本生成的多样性。生成模型应该能够生成多样化的样本,而不仅仅是在训练数据上的复制。我们可以使用多样性指标,如样本覆盖率和互信息来衡量生成样本的多样性。 3. 异常检测:生成模型应能够生成稀有或异常样本。因此,我们可以引入一个异常检测指标,例如生成模型中的KL散度,以评估模型对于异常样本的生成能力。 4. 推断速度:对于生成模型的评估,推断速度也是一个重要的指标。快速的推断能力可以提高模型的实时性,使其适用于许多实际应用。 通过引入这些改进指标,我们可以更全面地评估生成模型的性能。这些指标可以提供有关模型的精确度、召回率、样本多样性、异常检测和推断速度等方面的信息,帮助我们更好地了解生成模型的潜力和局限性。
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