2017年03月_tomjourney

12月 11月 10月 09月 08月 07月 06月 04月 03月 02月 01月

转载回归模型和分类模型的区别

转自： https://www.zhihu.com/question/21329754分类和回归的区别在于输出变量的类型。定量输出称为回归，或者说是连续变量预测；定性输出称为分类，或者说是离散变量预测。举个例子：预测明天的气温是多少度，这是一个回归任务；预测明天是阴、晴还是雨，就是一个分类任务。

2017-03-31 14:09:28 7449

转载机器学习和统计里面的auc怎么理解？

转自：　https://www.zhihu.com/question/39840928作者：小小丘　（该作者对 auc的意义讲得非常棒, 感谢付出）链接：https://www.zhihu.com/question/39840928/answer/84906286来源：知乎著作权归作者所有。商业转载请联系作者获得授权，非商业转载请注明出处。看到前面答主的答

2017-03-09 10:14:52 3155

原创 offer复习日志

（1）复习mysql，只需要 2.5 个小时；

2017-03-06 11:28:27 620

转载 ROC和AUC介绍以及如何计算AUC

转自： http://alexkong.net/2013/06/introduction-to-auc-and-roc/ROC（Receiver Operating Characteristic）曲线和AUC常被用来评价一个二值分类器（binary classifier）的优劣，对两者的简单介绍见这里。这篇博文简单介绍ROC和AUC的特点，以及更为深入地，讨论如何作出ROC曲线

2017-03-02 16:23:29 467

转载机器学习算法常用指标总结

转自： http://www.cnblogs.com/maybe2030/p/5375175.html#_label2阅读目录1. TPR、FPR&TNR2. 精确率Precision、召回率Recall和F1值3. 综合评价指标F-measure4. ROC曲线和AUC5. 参考内容　　考虑一个二分问题，即将实例分成正类（pos

2017-03-02 12:05:08 1021

转载机器学习指标大汇总

转自：　http://www.36dsj.com/archives/42271作者：无影随想在使用机器学习算法的过程中，针对不同场景需要不同的评价指标，在这里对常用的指标进行一个简单的汇总。一、分类1. 精确率与召回率精确率与召回率多用于二分类问题。精确率(Precision)指的是模型判为正的所有样本中有多少是真正的正样本;召回率(Recall

2017-03-02 12:03:21 790

转载模型评估与选择（ Bias(偏差)，Error(误差)，和Variance(方差) ）

转自：　https://github.com/familyld/Machine_Learning/blob/master/02model_evaluation_and_model_selection.md机器学习中的Bias(偏差)，Error(误差)，和Variance(方差)有什么区别和联系？　参见　https://www.zhihu.com/question/27068705　

2017-03-02 10:50:20 19944

转载机器学习（周志华）- 第2章模型评估与选择笔记

转自： https://samanthachen.github.io/2016/08/03/%E6%9C%BA%E5%99%A8%E5%AD%A6%E4%B9%A0_%E5%91%A8%E5%BF%97%E5%8D%8E_%E7%AC%94%E8%AE%B02/经验误差与过拟合错误率：分类错误样本数占样本总数精度： 1 - 错误率误差：学习器事假预测输出样本与样本真实输出

2017-03-02 09:48:36 3930 1

转载机器学习评价指标大汇总

在使用机器学习算法的过程中，针对不同场景需要不同的评价指标，在这里对常用的指标进行一个简单的汇总。（分类和拟合的评价指标，正好应用到本文的论文中，开心）一、分类1. 精确率与召回率精确率与召回率多用于二分类问题。精确率（Precision）指的是模型判为正的所有样本中有多少是真正的正样本；召回率（Recall）指的是所有正样本有多少被模型判为正样本，即召回。设模型输

2017-03-01 17:39:37 1004

转载机器学习性能评估指标（综合性总结）

转自：http://charleshm.github.io/2016/03/Model-Performance/分类混淆矩阵1True Positive(真正, TP)：将正类预测为正类数.True Negative(真负 , TN)：将负类预测为负类数.False Positive(假正, FP)：将负类预测为正类数 → 误报 (Type I error).F

2017-03-01 17:35:41 944