二分类问题使用rmse训练会是什么结果

于 2023-08-30 20:20:51 发布
阅读量223 收藏
点赞数
文章标签： python
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/as472780551/article/details/132589955
版权

通常情况下，使用均方根误差（RMSE，Root Mean Square Error）来训练二分类问题可能并不是最优选择，因为RMSE通常用于衡量连续值的预测误差，而不是分类问题。二分类问题更常用的衡量标准是交叉熵损失（Cross-Entropy Loss）或对数损失（Log Loss）。

RMSE是衡量预测值与实际值之间差距的指标，公式为：

飞翔的七彩蜗牛
关注
Opencv学习笔记 - 使用opencvsharp和随机森林进行分类和回归问题
学以致用 知行合一
12-09 1606
随机森林（Random Forest，RF）是一种简单易用的机器学习算法。即使在没有超参数调整的情况下，随机森林在大多数情况下仍可获得还算不错的结果。可用于分类任务和回归任务，是常用的机器学习算法之一。 随机森林是一种监督学习算法，它构建的“森林”是决策树的集合，通常使用Bagging算法进行集成。随机森林首先使用训练出来的分类器集合对新样本进行分类，然后用多数投票或者对输出求均值的方法统计所有决策树的结果。由于森林中的每一棵决策树都具有...
机器学习实战（4）——训练模型
WHJ226的博客
08-18 5953
目录1 线性回归2 标准方程3 复杂度4 梯度下降5 批量梯度下降6 随机梯度下降7 小批量梯度下降8 多项式回归9 学习曲线10 正则线性模型10.1 岭回归10.2 套索回归10.3 弹性网络 10.4 早期停止法10.5 逻辑回归10.5.1 概率估算10.5.2 训练和成本函数10.5.3 决策边界11 Softmax回归概括来说，线性模型就是对输入特征加权求和，再加上一个我们称为偏置项（或截距项）的常数，以此进行预测。线性回归模型预测： 向量化形式表达如下：训练模型就是设置模型参数直到模型最适应训
rmse.item()与python中item()的作用
最新发布
weixin_52024290的博客
08-07 205
不知何用，经过检索发现.item()用于在只包含一个元素的tensor中提取值，并且返回python数据类型。，注意是只包含一个元素，否则的话使用.tolist()在学习沐神的《动手学深度学习》中，遇到如下语句。
动手学习深度学习（总结梳理）——8.简单实战kaggle：预测房价
weixin_44981126的博客
10-12 1919
动手学习深度学习（总结梳理）——8.简单实战kaggle：预测房价
kaggle实战
weixin_54424184的博客
03-06 664
对应沐神B站视频15_P1 import hashlib import os import tarfile import zipfile import requests import numpy as np import pandas as pd import torch from torch import nn from d2l import torch as d2l # 如果缓存目录中已经存在此数据集文件，并且其sha-1与存储在DATA_HUB中的相匹配， 我们将使用缓存的文件，以避免重复
回归评价指标MSE、RMSE、MAE、R-Squared
skullFang的博客
01-19 14万+
前言 分类问题的评价指标是准确率，那么回归算法的评价指标就是MSE，RMSE，MAE、R-Squared。下面一一介绍 均方误差（MSE） MSE （Mean Squared Error）叫做均方误差。看公式 这里的y是测试集上的。 用 真实值-预测值 然后平方之后求和平均。 猛着看一下这个公式是不是觉得眼熟，这不就是线性回归的损失函数嘛！！！ 对，在线性回归的时候我们的目的就
python中.item()的讲解
爱听许嵩歌的博客
02-09 3万+
在pytorch训练时，一般用到.item()。比如loss.item()。我们可以做个简单测试代码看看它的区别。 import torch x = torch.randn(2, 2) print(x) print(x[1,1]) print(x[1,1].item()) 结果为： tensor([[ 0.4702, 0.5145], [-0.0682, -1.4450]]) tensor(-1.4450) -1.445029854774475 可以看出是显示精度的区别，item()返
机器学习模型评估综述-二分多分回归聚类稳定性评分卡特征重要性
泰格数据
05-28 2138
泰格： 采菊东篱下，悠然现南山，误入机器歧途，无丝竹案牍渐渐远。盼钟鼓馔玉不足贵之境，望可长醉不复醒之日！ 概述 模型的评估对于做机器学习是一个很重要的一个领域，所有的模型要想进行评价，必须要有相应的评估指标，这些评估指标经过业务的千锤百炼沉淀了好几十年的！最常见的评估指标，就是准确率、精准率、召回率等，很早之前不懂机器学习的时候，听到别人讲到模型召回率多少，提升了多少，感觉很牛逼，现在听到这些，哇，感觉还是很牛逼。所以有必要详细总结下所有模型评估的方法。​​​​...
Xgboost算法 36 （二） Xgboost分类树参数详解
small-guo
12-25 1615
模型参数 n_estimatores： 总共迭代的次数，即决策树的个数 early_stopping_rounds： 在验证集上，当连续n次迭代，分数没有提高后，提前终止训练。防止overfitting。 max_depth： 树的深度，默认值为6，典型值3-10。值越大，越容易过拟合；值越小，越容易欠拟合。 min_child_weight： 默认值为1,。值越大，越容易欠拟合；值越小，越容易过拟合（值较大时，避免模型学习到局部的特殊样本）。 subsample：...
回归评价指标---MSE、RMSE、MAE、R-Squared
dili8870的博客
02-21 8330
　　分类问题的评价指标是准确率，那么回归算法的评价指标就是MSE，RMSE，MAE、R-Squared。 　　MSE和MAE适用于误差相对明显的时候，大的误差也有比较高的权重，RMSE则是针对误差不是很明显的时候；MAE是一个线性的指标，所有个体差异在平均值上均等加权，所以它更加凸显出异常值，相比MSE； 　　RMSLE: 主要针对数据集中有一个特别大的异常值，这种情况下，d...
mse均方误差计算公式_机器学习预测评价常用指标（回归：MSE,RMSE,MAE,MAPE,R2，二分类：ACC,P,R,F1,PR,ROC，多分类）...
weixin_39725594的博客
11-24 1万+
引言：在我们建模的时候，我们要去选择出我们最棒的模型，就比如昨天的波士顿房价预测采用xgbt里面，我们最后需要选择出表现最好的那棵树，那怎么去评价好坏？这是一个回归问题，我们采用了rmse，但可以使用的评价标准还以用r2,mse,mae甚至是mape。甚至R2的评价比RMSE更客观！cv_results = xgb.cv(...met...
关于各种回归评价指标MSE、RMSE、MAE、R-Squared、Standard Deviation（标准差）
菜鸟进阶
03-15 2万+
分类问题的评价指标是准确率，那么回归算法的评价指标就是MSE，RMSE，MAE、R-Squared。下面一一介绍： 1、均方误差（MSE） MSE （Mean Squared Error）叫做均方误差，是反映估计量与被估计量之间差异程度的一种度量。设t是根据子样确定的总体参数θ的一个估计量，(θ-t)2的数学期望，称为估计量t的均方误差。它等于σ2+b2，其中σ2...
模型常用评估指标：分类(混淆矩阵/F1/Recall/ROC/AUC等)；连续(MAPE/RMSE等)
weixin_43396639的博客
07-16 2253
模型评估指标，是对已训练好的模型性能进行评估的重要依据。机器学习的任务无非分为分类问题和连续型预测问题（回归问题）。 本文只列出常用的模型评估指标，没有细讲各指标的含义和示例，后期会逐步完善，望大家见谅。 分类型问题主要有：混淆矩阵、准确率（Accuracy)、召回率(Recall)、特效性(specificity)、精确率(Precision)、F值(F-Measure)、ROC曲线和AUC值。 连续性问题主要有：平均百分比误差、误差平方和以及回归模型的拟合优度。 1. 分类型 变量解释 指标
机器学习中的分类问题和回归问题的性能评估指标
bwqiang的博客
07-24 1325
0、分类问题和回归问题的区别 分类预测建模问题与回归预测建模问题不同。 分类 1、衡量分类问题的性能指标（classification） 损失函数一般的写法是L(y,f(x))L(y,f(x))L(y,f(x))，是指通过深度学习模型预测的样本的标签和样本真实的标签的某个不一致的度量。一般是越小越好。 回归问题中的损失函数 2、衡量回归问题的性能指标（Regression） ...
二分类指标：正确率、精确率、召回率等的区别
HappyRocking的专栏
04-25 1万+
二分类指标的区别 我们可以采用一些定量的分类指标来评价一个二分类器性能的好坏，这些指标往往根据分类器对某个数据集的分类结果进行计算。 分类矩阵 我们可以使用一个矩阵来描述分类结果： 实际\预测 预测为正 预测为负 实际为正 TP FN 实际为负 FP TN TPTPTP：实际为正、且划分为正的样本数，真正数。 FPFPFP：...
RMSE（均方根误差）、MSE（均方误差）、MAE（平均绝对误差）、SD（标准差）
热门推荐
敲代码的quant的博客
08-24 25万+
RMSE（Root Mean Square Error）均方根误差 衡量观测值与真实值之间的偏差。 常用来作为机器学习模型预测结果衡量的标准。 MSE（Mean Square Error）均方误差 MSE是真实值与预测值的差值的平方然后求和平均。 通过平方的形式便于求导，所以常被用作线性回归的损失函数。 MAE（Mean Absolute Error）平均绝对...
协同过滤算法概述与python 实现协同过滤算法基于内容（usr-item,item-item）
IT届的小学生
04-08 1万+
协调过滤推荐概述 　 协同过滤(Collaborative Filtering)作为推荐算法中最经典的类型，包括在线的协同和离线的过滤两部分。所谓在线协同，就是通过在线数据找到用户可能喜欢的物品，而离线过滤，则是过滤掉一些不值得推荐的数据，比比如推荐值评分低的数据，或者虽然推荐值高但是用户已经购买的数据。 　 协同过滤的模型一般为m个物品，m个用户的数据，只有部分用户和部分数据之间是...
python里面的.item()用法
qq_43332629的博客
07-28 1946
python里面的.item()用法
【学习笔记】PyTorch中.item()用法
小羊羔子的BLOG
04-12 1440
官方文档解释.item()用法是：一个元素张量可以用x.item()得到元素值 Usetorch.Tensor.item()to get a Python number from a tensor containing a single value. item是得到一个元素张量里面的元素值 如： 查看x的类型： ...
用pycharm写、题目一：采用 scikit-learn 中的 RandomForestRegressor 对加利福尼亚房价数据集进行预测。 具体要求： （1）导入数据集：加利福尼亚房价数据集是 sklearn 中自带的数据集,通过查看数据量和维度、特征类型（离散 or 连续）、特征名、标签名、标签分布情况、数据集 的描述等信息了解数据集。 （2）模型建立：分别使用 DecisionTreeRegressor 和 RandomForestRegressor 建立分类模型（参数 默认即可）。 （3）模型评估：输出训练集和测试集评分（以根均方误差 RMSE 为评估指标）。讨论一】比较随机森林和决策树在数据集上的表现,可将交叉验证评分进行可视化，讨论二】随机森林中的 n_estimator 超参数如何选择？ 提示：可采用学习曲线进行选择，如图 2 所示。学习曲线能够看到变化趋势，帮助确定超参数的 搜索范围。对于 RandomForestRegressor 模型，自行选择超参数搜索的方法，找到合适的超参 数，最终将超参数在如下的交叉验证集上进行建模，并计算 RMSE 评分。介绍调参过程，并比较调 参前后的效果超参数的搜索范围可根据建立的决策树的建树信息进行设定，决策树的建树信息可通 过.tree_属性查看
06-08
好的，以下是用 PyCharm 实现题目一的代码： ```python import pandas as pd from sklearn.datasets import fetch_california_housing from sklearn.tree import DecisionTreeRegressor from sklearn.ensemble import RandomForestRegressor from sklearn.model_selection import cross_val_score, train_test_split from sklearn.metrics import mean_squared_error import matplotlib.pyplot as plt # 导入数据集 california = fetch_california_housing() X = pd.DataFrame(california.data, columns=california.feature_names) y = pd.DataFrame(california.target, columns=["MedHouseVal"]) # 查看数据信息 print("数据集大小:", X.shape) print("数据集特征类型:", X.dtypes) print("数据集特征名:", X.columns) print("数据集标签名:", y.columns) print("数据集标签分布情况:\n", y["MedHouseVal"].describe()) # 建立决策树模型 dtr = DecisionTreeRegressor(random_state=42) dtr_scores = cross_val_score(dtr, X, y, cv=10, scoring="neg_mean_squared_error") dtr_rmse_scores = (-dtr_scores) ** 0.5 print("决策树模型交叉验证 RMSE 评分:", dtr_rmse_scores.mean()) # 建立随机森林模型 rfr = RandomForestRegressor(n_estimators=100, random_state=42) rfr_scores = cross_val_score(rfr, X, y, cv=10, scoring="neg_mean_squared_error") rfr_rmse_scores = (-rfr_scores) ** 0.5 print("随机森林模型交叉验证 RMSE 评分:", rfr_rmse_scores.mean()) # 可视化交叉验证评分 plt.plot(range(1, 11), dtr_rmse_scores, label="Decision Tree") plt.plot(range(1, 11), rfr_rmse_scores, label="Random Forest") plt.xlabel("Fold") plt.ylabel("RMSE") plt.legend() plt.show() # 随机森林调参 n_estimators = [10, 50, 100, 200, 500] rfr_scores = [] for n in n_estimators: rfr = RandomForestRegressor(n_estimators=n, random_state=42) rfr_scores.append(cross_val_score(rfr, X, y, cv=10, scoring="neg_mean_squared_error").mean()) plt.plot(n_estimators, (-1 * rfr_scores) ** 0.5) plt.xlabel("n_estimators") plt.ylabel("RMSE") plt.show() # 训练最优模型并计算 RMSE 评分 X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42) rfr = RandomForestRegressor(n_estimators=200, random_state=42) rfr.fit(X_train, y_train) y_pred = rfr.predict(X_test) rfr_rmse = mean_squared_error(y_test, y_pred, squared=False) print("随机森林最优模型测试集 RMSE 评分:", rfr_rmse) ``` 代码解释： 1. 导入需要的库，包括 pandas、scikit-learn 中的数据集 fetch_california_housing、DecisionTreeRegressor、RandomForestRegressor、cross_val_score、train_test_split 和 mean_squared_error，以及用于可视化的 matplotlib.pyplot。 2. 使用 fetch_california_housing 函数从 scikit-learn 自带的数据集中加载加利福尼亚房价数据集。将数据集中的特征和标签分别存储到 X 和 y 中。 3. 使用 pandas 库提供的函数查看数据集的信息，包括数据集大小、特征类型、特征名、标签名和标签分布情况等。 4. 使用 DecisionTreeRegressor 和 RandomForestRegressor 分别建立决策树和随机森林模型，并使用交叉验证计算模型的 RMSE 评分。 5. 使用 matplotlib.pyplot 库将决策树和随机森林模型的交叉验证评分可视化。 6. 使用随机森林模型进行调参，通过学习曲线确定最优的 n_estimator 超参数。 7. 使用 train_test_split 函数将数据集划分为训练集和测试集，使用最优的超参数训练随机森林模型，并在测试集上进行评估，计算模型的 RMSE 评分。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
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
实付元
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