模型选择

最新推荐文章于 2024-06-23 11:30:00 发布
最新推荐文章于 2024-06-23 11:30:00 发布
阅读量418 收藏 1
点赞数
分类专栏： 炼丹笔记
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_30057549/article/details/103233661
版权

文章目录

1.引言

1.1模型

在这里插入图片描述

1.2 机器学习

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

2.模型选择的相关定理和原则

在这里插入图片描述

2.1没有免费的午餐定理（No Free Lunch，NFL）

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

2.2 丑小鸭定理（Ugly Ducking）

在这里插入图片描述

2.3 Occam剃刀原理（Occam’s Razor）

在这里插入图片描述
在这里插入图片描述

2.4 最小描述长度原理（Minimum Description Length,MDL）

在这里插入图片描述

3.模型选择的评价标准

在这里插入图片描述

3.1 统计检验方法

在这里插入图片描述

3.2 操作接收者特征曲线ROC

在这里插入图片描述
假设正类预测为正类数为TP
负类预测为负类TN
真阳性率=准确率=TP/TP+负类预测为正类
假阳性率=TN/TN+正类预测为负类

3.2 模型复杂度

在这里插入图片描述
在这里插入图片描述

4.分类器设计中的重采样技术

在这里插入图片描述

4.1 刀切法（Jackknife）-1949年Quenouille提出

在这里插入图片描述

4.2 自助法（Bootstrap）

在这里插入图片描述

4.3 保持方法（Holdout）

在这里插入图片描述

4.4 交叉验证（cross-validation）

在这里插入图片描述
在这里插入图片描述

5. 分类器集成概述

在这里插入图片描述
在这里插入图片描述

5.1 集成学习的有效条件

在这里插入图片描述

5.2集成学习的常用技术手段

在这里插入图片描述

5.3 分类器集成算法分类

在这里插入图片描述
在这里插入图片描述

6.Stacked Generalization（层叠泛化）

在这里插入图片描述
在这里插入图片描述

7.Bagging（装袋）

在这里插入图片描述
在这里插入图片描述

8.随机子空间

在这里插入图片描述
在这里插入图片描述

9. Adaboost

在这里插入图片描述

9.1 发展历程

在这里插入图片描述
在这里插入图片描述

9.2 处理分类问题的思想

在这里插入图片描述
在这里插入图片描述

9.3 Adaboost算法

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
有点像softmax。
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

9.4 Adaboost例子

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

9.5 理论解释

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

LotusQ
关注
专栏目录
模型选择 (Model Selection)
程序员光剑
06-16 812
模型选择 (Model Selection) 1.背景介绍 在机器学习和数据科学领域，模型选择是一个至关重要的步骤。无论是分类、回归还是聚类任务，选择合适的模型直接影响到最终的预测性能和应用效果。模型选择不仅仅是选择一个算法，还包括选择合适的超参数、特征工程和评估方法。本文将深入探讨
Text2SQL基座模型选择的实战教程（持续更新）
热门推荐
herosunly的博客
06-21 8万+
本文主要介绍了Text2SQL基座模型选择的实战教程（持续更新），希望对学习大语言模型的同学们有所帮助。 文章目录 1. 前言 2. Text2SQL基座模型的发展史 3. 模型选择实战 3.1 prompt模板 3.2 下载模型与部署API 3.3 实战代码 4. 补充说明
选择最佳机器学习模型的 10 步指南
最新发布
2401_85378759的博客
06-23 739
在开启任何机器学习或数据科学项目的旅程前，明确项目的目标是至关重要的第一步。这个过程就像是定下你武学修行的目的，无论是为了自我提升、护村防敌还是挑战江湖榜首，清晰的目标将指引你的学习方向和进步。
关于模型选择
04-07 389
无论是分析还是预测，都有很多种方法，可以使用多种模型，在可以使用多种模型时，如何去选择，这是一个算法工程师常遇到的问题。下面是在工作 用事实说话，直接评估各个模型结果的好坏。哪个结果好，就选哪个模型。这里评估模型好坏的指标要根据实际情况而定。一般情况下，有precision,recall,roc area / auc 等，评价时一般会使用交叉验证。 从理论入手。有些模型会更适合做某类工...
模型如何选择
不负如来不负卿
10-07 543
       今天收到一面试，做笔试题目，有一道实操题，其中正样本138例，负样本30000多，样本严重不均衡，正负样本均衡后(1:1)一共才不到300样本，22233，一时间陷入两难境地，数据太少模型如何选择问题。先上xgb，然后auc是0.5…        抓狂ing，最后试了SVM和贝叶斯，auc还不错，到了...
模型选择准则
12-14 5214
对一堆数据进行建模的时候，特别是分类和回归模型，我们有很多的变量可供使用，选择不同的变量组合可以得到不同的模型，例如我们有5个变量，2的5次方，我们将有32个变量组合，可以训练出32个模型。但是哪个模型更加的好呢？目前常用有如下方法 AIC准则 AIC信息准则即Akaike information criterion（赤池信息准则），是衡量统计模型拟合优良性的一种标准，由于它为日本统计学家赤池
模型选择之特征选择
陈志杰的专栏
11-12 7323
当我们在训练模型时，其中一个很重要的部分是训练模型的参数，也就是模型中各个特征的值，不同的模型具有不同的特征组合，因此对于特征的选择也就对应了模型的选择。举个文本分类的例子，在文本分类的任务中，特征数量p远大于训练样本数n，而我们又知道特征里面有很大一部分是和类别无关的，因此我们就会想到用特征选择来把与类别相关的特征选出来。对于p个特征，会出现2p种特征的组合，也就对应了2p个模型，我们只要选择一
深度学习基础19（模型选择，拟合，K折交叉）
FLR的博客
03-30 4246
模型选择、欠拟合和过拟合 我们的目标是发现模式（pattern） 但是，我们如何才能确定模型是真正发现了一种泛化的模式， 而不是简单地记住了数据呢？ 例如，我们想要在患者的基因数据与痴呆状态之间寻找模式， 其中标签是从集合{痴呆,轻度认知障碍,健康}中提取的。 因为基因可以唯一确定每个个体（不考虑双胞胎）， 所以在这个任务中是有可能记住整个数据集的。 只有当模型真正发现了一种泛化模式时，才会作出有效的预测。 更正式地说，我们的目标是发现某些模式， 这些模式捕捉到了我们训练集潜在总体的规律。 如果成功做到了这
模型选择（转载）
04-18
NULL 博文链接：https://only81.iteye.com/blog/1844835
模型选择——子集选择法（Subset Selection)
qq_48988106的博客
10-16 8385
这里写自定义目录标题欢迎使用Markdown编辑器新的改变功能快捷键合理的创建标题，有助于目录的生成如何改变文本的样式插入链接与图片如何插入一段漂亮的代码片生成一个适合你的列表创建一个表格设定内容居中、居左、居右SmartyPants创建一个自定义列表如何创建一个注脚注释也是必不可少的KaTeX数学公式新的甘特图功能，丰富你的文章UML 图表FLowchart流程图导出与导入导出导入 欢迎使用Markdown编辑器 你好！ 这是你第一次使用 Markdown编辑器 所展示的欢迎页。如果你想学习如何使用Mar
特征选取之单变量统计、基于模型选择、迭代选择
迷茫与徘徊只会让你陷入绝境，欢迎私信博主，带你开始提升变现价值！
01-27 5940
目录 单变量统计 方差分析 代码实现 SelectKBest特征选取 递归特征消除(RFE) 皮尔逊系数（相关系数） 基于树模型的特征选择 轻量级的高效梯度树 随机森林 迭代选择 每文一语 单变量统计 方差分析 在单变量统计中，我们计算每个特征和目标值之间的关系是否存在统计显著性，然后选择具有最高置信度的特征。对于分类问题，这也被称为方差分析（analysis of variance，ANOVA）。 这些测试的一个关键性质就是它们是单变量的（univariate），即它..
数据挖掘：模型选择——监督学习（分类）
AvenueCyy的博客
02-26 1万+
数据挖掘：模型选择——监督学习（分类） 机器学习算法可分为监督学习和非监督学习。本文主要讨论非监督学习中的分类任务。 一、简单介绍 简单的说，监督学习就是有标签的数据，有需要预测的变量。 分类任务就是预测的变量数据为离散型。比如，将天气数据放入模型中，来预测明天是否下雨(下或不下，两种结果)，为分类任务。预测降雨量具体是多少，为回归任务。 而分类任务一般分为二分类和多分类。先介绍二分类。本文将对一...
模型选择的一些基本思想和方法
weixin_34090562的博客
08-31 268
模型选择的一些基本思想和方法 0. 引言 有监督学习是日常使用最多的建模范式，它有许多更具体的名字，比如预测模型、回归模型、分类模型或者分类器。这些名字或来源统计，或来源于机器学习。关于统计学习与机器学习的区别已经有不少讨论，不少人认为机器学习侧重于目标预测，而统计学习侧重于机制理解和建模。个人更加直观的理解是，统计学习侧重于从概率分布来描述数据生成机制，除了预测之外，还关心结果（参数假设、误...
模型选择&&模型评估
zhibing_ding的博客
05-04 3526
模型选择 模型评估
Unity UI拖拽模型选择实现与控制
"Unity UI拖拽模型选择功能是Unity引擎中实现的一种用户界面交互机制，允许玩家通过鼠标或手指在特定区域内拖动来选择模型，这些模型可以是角色或者道具。这一功能通常用于游戏中的菜单选择、角色定制或道具浏览等...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值