在机器学习中,如何评价一个模型的效果好坏?
最简单的两个评价标准,错误率和精度。对分类模型来说,如m个样本中有a个样本分类错误,那么错误率E=a/m,精度=1-错误率。
实际上,还有很多其他方式来评价,来反映模型在某个方面的好坏,但是如何整体的概括性描述呢?一般是过拟合或者是欠拟合。
怎么来形容拟合呢?我们都知道模型需要在训练集中进行学习规律,直到开发者认为该模型可以拿出去应用。过拟合就是,模型把训练集的数据规律学得太全太细,反而忽略了该类数据的整体性规律,拿出去应用的时候效果不好。欠拟合就是模型在训练集学习的不好,拿出去用的也不好。
举个例子,车辆数据包括车标、轮子等等。如果模型把大奔的车标当成了车辆的识别标志,那么大众车系就不会被当成车辆,这属于过拟合;如果模型认为有轮子的就是车辆,那么自行车也会被判成车辆,也是不对的。
一般的,模型学习效果都会偏向过拟合,欠拟合出现的比较少。能不能取个中间,既不过拟合也不欠拟合,这基本上是不可能的,我们能做的只是减少其影响。
机器学习:拟合效果分析
最新推荐文章于 2024-01-10 20:45:49 发布