NJU机器学习导论课程笔记之模型评估与选择

最新推荐文章于 2024-06-30 18:24:53 发布

hit_lance

最新推荐文章于 2024-06-30 18:24:53 发布

阅读量215

点赞数 2

分类专栏：机器学习笔记文章标签：机器学习人工智能

本文链接：https://blog.csdn.net/qq_41917064/article/details/90739663

版权

机器学习笔记专栏收录该内容

5 篇文章 1 订阅

订阅专栏

1 经验误差与过拟合

1. 错误率(error rate)：分类错误的样本数占样本总数的比例，即如果在m个样本中有a个样本分类错误，则错误率E=a/m。

2. 精度(accuracy)：精度=1-错误率，即1-a/m，常写为百分比形式。

3. 误差(error)：这里说的误差指误差期望。

学习器在训练集的误差被称为训练误差(train error)或经验误差(empirical)

新样本上的误差被称为泛化误差(generalization error)

4. 过拟合(overfitting)：训练误差低，泛化误差高。

5. 欠拟合(underfitting)：训练误差很高。

2 评估方法

使用测试集(testing set)来测试学习器对新样本的判别能力，以测试集上的测试误差(testing error)作为泛化误差的近似。

1. 留出法(hold-out)：直接将数据集D划分为两个互斥的集合，其中一个集合作为训练集S，另一个作为测试集T。

2. 交叉验证法(cross vaildation)：先将数据集D划分为k个大小相似的互斥子集，每个子集都尽可能保证数据分布的一致性，从D中通过分层采样得到。然后，每次用k-1个自己的并集作为训练集，余下的那个自己作为测试集；这样就可获得k组训练/测试集，从而进行k次训练和测试，最终返回这k个测试结果的均值。k的常用取值有10，5，20等，成为k折交叉验证。

3. 留一法(Leave-One-Out, 简称LOO)：交叉验证法的特例，此时k=m，m为数据集的样本数。往往比较准确，但是开销大。

4. 自助法(bootstrapping)：给定包含m个样本的数据集D，对它进行采样产生新的数据集：每次随机从D中挑选一个样本，将其拷贝放入新的数据集中（然后放回），使得该样本在下次采样时仍有可能被采到。执行m次后得到自助采样结果，作为训练集。数据集与训练集的差集作为测试集。

3 调参

1. 算法的参数：亦称超参数，经人工设定后产生模型。

2. 模型的参数：模型在训练过程中不断更新的。

3. 验证集(validation set)：基于验证集的上的性能来进行模型选择和调（超）参。

4 性能度量

1. 混淆矩阵(confusion matrix)：对于二分类问题，可将样例根据其真是类别与学习器预测类别的组合划分为四种情况。

真实/预测	正例	反例
正例	TP(真正例)	FN(假返例)
反例	FP(假正例)	TN(真反例)

2. 查准率(precision): 真正例在预测正例中的占比。

$P=\frac{TP}{TP+FP}$

3. 查全率(recall)：真正例在真实正例中的占比。

$R=\frac{TP}{TP+FN}$

4. F1度量(F1 score)：基于调和平均定义，越大越好，最大值为1，最小值为0。

$F1=\frac{2\times P\times R}{P+R}$

▲更一般形式：

$F_{\beta }=\frac{(1+\beta ^{2})\times P\times R}{\beta ^{2}\times P+R}$

5. 宏查全率与微查全率(macro-F1 and micro-F1)：对于多个二分类混淆矩阵（执行多分类任务），综合考察查准率和查全率。

$macro\ P=\frac{1}{n}\sum_{i=1}^{n}P_{i}$

$macro\ R=\frac{1}{n}\sum_{i=1}^{n}R_{i}$

$micro\ P=\frac{\overline{TP}}{\overline{TP}+\overline{FP}}$

$micro\ R=\frac{\overline{TP}}{\overline{TP}+\overline{FN}}$

6. ROC与AUC

ROC曲线是描述TPR(True Positive Rate)与FPR(False Positive Rate)之间关系的曲线。

AUC是ROC曲线下的面积。AUC越大，学习器性能越好。

5 方差与偏差

1.偏差：预计值的期望与真实值之间的差距。

2.方差：预测值的离散程度，也就是离其期望值的距离。

模型在训练集上的误差来源主要来自于偏差，在测试集上误差来源主要来自于方差。

欠拟合是一种高偏差的情况。过拟合是一种低偏差，高方差的情况。

未完待续......

hit_lance

关注

2
点赞
踩
0

收藏

觉得还不错? 一键收藏
0
评论
NJU机器学习导论课程笔记之模型评估与选择

目录1 经验误差与过拟合2 评估方法3 调参4 性能度量5 方差与偏差1 经验误差与过拟合 1. 错误率(error rate)：分类错误的样本数占样本总数的比例，即如果在m个样本中有a个样本分类错误，则错误率E=a/m。 2. 精度(accuracy)：精度=1-错误率，即1-a/m，常写为百分比形式。 3. 误差(error)：这里说的误差...
复制链接

扫一扫