- 博客(3)
- 收藏
- 关注
RSS订阅原创 评价指标Precision Accuracy recall AUC
即假设采样是随机的，采样完成后，给定一条正样本，模型预测为score1，由于采样随机，则大于score1的负样本和小于score1的负样本的比例不会发生变化。因为在机器学习对分类问题的预测结果都是概率值，如果要计算accuracy，需要先把概率转换成类别，这样做的话就需要手动设置一个阈值，如果对一个样本的预测概率高于这个预测，就把这个样本放进一个类别里面，低于这个阈值，放进另一个类别里面。，并不关心正样本内部，或者负样本内部的排序，这样我们也无法衡量样本对于好坏客户的好坏程度的刻画能力；
2023-06-07 19:30:46
202
1
原创 常见的损失函数
平方损失函数计算预测值与实际值之间的差异的平方，并将其作为损失值。平方损失函数，梯度和激活函数的梯度成正比，二分类中激活函数我们采用sigmoid，可能会有饱和区，分类结果会导致激活函数的梯度消失。分类问题中，交叉熵函数可以避免梯度消失，回归问题中，使用平方损失函数避免交叉熵只能计算正确类别的损失，而忽略了错误类别。（1）用于回归的损失函数：绝对值损失函数（MAE）、平方损失函数/均方误差损失函数（MSE）代价函数：针对整个训练集来说的，也就是所有样本的误差的总和的平均，也就是损失函数的总和的平均。
2023-06-06 08:46:43
163
1
原创 BERT模型理解
利用大规模语料库可以训练出该网络，在具体任务中，就可以得到每个单词的三个Embedding，分别为最底层单词的embedding，第一层双向LSTM中对应单词位置的Embedding，包含句法信息。每个单词有三个embedding：位置信息（单词顺序，需要对其进行编码）、单词本身embedding、句子embedding（训练数据的输入为两个句子，句子的embedding会赋给该句中的每个词）。第二阶段是在做下游任务时，从预训练网络中提取对应单词的网络各层的embedding作为新特征补充到下游任务中。
2023-04-17 11:18:21
255
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人