本文重点
本节课程将学习误差分析还有数值评估的概念,他们能够帮助我们优化机器学习模型。
误差分析
我们使用垃圾邮件分类来举例,当我们构建好一个垃圾邮件分类模型之后,我们应该看一看交叉验证集(不是在测试集)中哪些邮件被算法错误地分类。这些错误分类的邮件有没有什么共同的特点,然后我们是否可以通过增加新的特征变量来解决这个问题呢?
比如说在交叉验证集中有5000个样本,其中有1000个样本被错误分类了,我们统计发现这1000个样本中有680封和钓鱼网站有关,140封和商品购物有关,那么我们可以认为当前算法模型对钓鱼网站的分类效果很差(关于钓鱼网站的样本被误分的最多),所以我们可以构建关于钓鱼网站的特征变量来解决这个问题,让算法模型能够更好的处理关于钓鱼网站的邮件。
数值评估
我们可以通过在交叉验证集上看被分类错误的样本,以此来改善样本特征,解决问题。但是解决之后,如何以一种直观的方式判断模型效果变好了,或者有些时候我们需要尝试多种模型,如何判断哪种模型的好坏呢?
模型是否变好了,哪种模型最好,我们应该以一种数值的方式来进行评价,这种数值可以是验证集的误差,误差越小说明模型效果越好
以垃圾邮件分类为例,如果不使用关于钓鱼网站的特征,此时在验证集上错误率为6%,而使用关于钓鱼网站的特征,此时在验证集上错误率为3%,不使用是6%的错误率,使用是3%的错误率,所以基本可以说明的一点使用的效果会更好。
在构造学习算法的时候,我们可能会尝试很多的想法,我们通过这样的量化的数值评估的方式,我们可以来看这个误差是变