超级会员免费看
本文介绍了深度学习中模型与风险的概念，强调了损失函数的作用。接着讲解了偏差和方差，解释了它们对模型性能的影响。还详细探讨了模型的评价指标，包括训练集划分的三种方式、交叉验证和各种评价标准，如准确率、错误率、精确率、召回率、F值，并讨论了在类别不平衡情况下的问题。最后提到了网络优化中的学习率调整策略。
1、模型与风险
在模型评价时会有理想情况和现实情况（现实情况分为两种）
在学习过程中最重要的是损失函数：
还有其他损失函数。
损失函数是用来量化模型预测和真实标签之间的差异。比如说我们模型预测出来是
，而我们真实数据是
，实际上损失函数就是来衡量他们之间的一个差异。
2、偏差与方差
偏差(Bias)：是指一个模型在不同训练集上的平均性能和最优模型的差异，可以用来衡量一个模型的拟合能力。（偏差表示离你最优的模型离得是否远）
一般偏差越小，模型和最优模型之间的差距就越小，即模型的拟合能力越强。
方差：是指一个模型在不同训练集上的差异，可以用来衡量一个模型是否容易过拟合
订阅专栏 解锁全文
扫一扫
1600
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
