2.1经验误差与过拟合
错误率:E=a/m
精度:=1-错误率
训练集上的误差:训练误差或经验误差
新样本上的误差:泛化误差
p问题,可以在多项式时间内解决的问题,polynomial problem。
np 问题,可以在多项式的时间里验证一个解的问题,non-deterministic polynomial。
npc问题,是NP的一个子集,且其中每一个问题均能由NP中的任何问题在多项式时间内转化而成,np complete。
2.2评估方法
(1)留出法:数据划分,分层采样,大约2/3~4/5样本用于测试;
(2)交叉验证法:k折交叉验证,数据分为k组(k常取10),k-1个用于训练,余下用于测试。留一法:m个样本,k=m。
(3)自助法:以自助采样法为基础,适用于数据集较小,难以有效划分训练/测试集时,测试结果称为“包外估计”。
(4)调参与最终模型
2.3性能度量
回归任务常用的性能度量:均方误差
(1) 错误率与精度。
(2) 查准率、查全率与F1:
真正例TP,假反例FN
假正例FP,真反例TN
查准率P=TP/(TP+FP)
查全率R=TP/(TP+FN)
P-R曲线,平衡点:P=R。
F1度量:查准率与查全率的调和平均数F1=2*P*R/(P+R)=2*TP/(总数+TP-TN)
Fβ=(1+β2)*P*R/(β2*P+R), β>1查全率影响大,β<1查准率影响大
微查准率Micro-P=TP/(TP+FP)
微查全率Micro-R=TP/(TP+FN)
微F1=2*micro-P*micro-R/(micro-P+micrp-R)
(3) ROC与AUC,研究学习器泛化性能
受试者工作特征:ROC
纵轴,真正例率,TPR=TP/(TP+FN)
横轴,假正例率,FPR=FP/(TN+FP)
AUC:ROC曲线下的面积AUC=1-lrank
(4) 代价敏感错误率与代价曲线
正例概率代价P(+)cost=p*cost01/(p*cost01+(1-p)*cost10)
归一化代价cost=[FNR*P*cost01+FPR*(1-P)*cost10]/[ p*cost01+(1-p)*cost10]
2.4比较检验
(1)假设检验
二项检验
t检验
(2)交叉验证t检验
(3)McNemar检验
(4)Friedman检验与Nemenyi检验
2.5偏差与方差
泛化误差可分解为偏差、方差与噪声之和。
偏差-方差窘境