《百面机器学习》读书笔记
模型评估分为离线评估与在线评估
离线评估
分类问题
准确率Acc(在正负样本不均衡,且少数样本更重要时失效)
精确率Precision:分类正确的正样本个数/分类器判定为正样本的样本个数;TopN@Precision:对于排序问题,将范围限定在前N个,认为前N个是模型判定的正样本
召回率Recall: 分类正确的正样本个数/真实的正样本个数;TopN@Recall:对于排序问题,将范围限定在前N个,认为前N个是模型判定的正样本
PR曲线
F1-Score:精准率和召回率的调和平均值,
ROC曲线 / AUC(ROC曲线下面积)
回归问题
常用 RMSE
可能有离群点时,用MAPE 对误差做归一化
在线评估
AB TEST https://blog.csdn.net/Needlyr/article/details/119216107
1. 层与层之间的流量“正交”
上层流量进入下层应该被均匀打散再分组
2. 同层之间的流量“互斥”
同层内的组与组内流量不重叠
离线评估中的验证方法
holdout, 交叉验证, bootstrap自助法
自助法中,对n个样本进行n次自助抽样,n趋于无穷大时,最终有36.8%的样本没有被抽到过,可以被视为验证集使用。
离线训练中的模型超参数调优
网格搜索、随机搜索、贝叶斯优化
模型的过拟合与欠拟合
过拟合:模型在训练集表现很好,测试集表现不好
欠拟合:模型在训练集和测试集表现都不好
过拟合解决方法
数据层面:
1. 增大样本数量
模型层面:
1. 降低模型复杂度
2. 使用正则化的方法
3. 集成学习方法
欠拟合解决方法
数据层面:
1. 增大特征
模型层面:
1. 提高模型复杂度
2. 减小正则化系数