【ML从入门到入土系列01】概述

最新推荐文章于 2024-02-14 18:29:51 发布

小鹏聊智驾

最新推荐文章于 2024-02-14 18:29:51 发布

阅读量2.2k

点赞数 2

分类专栏： ML 基础文章标签：机器学习

本文链接：https://blog.csdn.net/chiyukunpeng/article/details/106626984

版权

10 篇文章 4 订阅

订阅专栏

如下图所示，ML 是计算机从数据中学习出规律，应用在新数据上做预测；其在互联网、生物、医疗、交通、金融等领域有着广泛应用。
在这里插入图片描述

在这里插入图片描述
如上图所示，ML主要流程如下：

如下图所示，这是Sk-learn官网提供的ML算法选择路径图。
在这里插入图片描述

ML的目标是训练出泛化能力强的模型，常用的评估方法有：留出法、交叉验证法、自助法；常用的评估指标有精度、召回率、F1值、AUC、MSE等。

错误率
$D)=\frac{1}{m} \sum_{i=1}^{m} \mathbb{I}\left(f\left(\boldsymbol{x}_{i}\right) \neq y_{i}\right)$
精度
$\begin{aligned} \operatorname{acc}(f ; D) &=\frac{1}{m} \sum_{i=1}^{m} \mathbb{I}\left(f\left(\boldsymbol{x}_{i}\right)=y_{i}\right) \\ &=1-E(f ; D) \end{aligned}$
混淆矩阵
查准率（准确率）
$P=\frac{T P}{T P+F P}$
查全率（召回率）
$R=\frac{T P}{T P+F N}$
F1值
$1=\frac{2 \times P \times R}{P+R}=\frac{2 \times T P}{\text { 样例总数 }+T P-T N}$
$F_{\beta}$ 值
$F_{\beta}=\frac{\left(1+\beta^{2}\right) \times P \times R}{\left(\beta^{2} \times P\right)+R}$
AUC