sanmi8276的博客

目录一、分类问题二、回归问题三、聚类四、信息检索五、总结在使用机器学习算法过程中，针对不同的问题需要不用的模型评估标准，这里统一汇总。主要以两大类分类与回归分别阐述。一、分类问题1、混淆矩阵混淆矩阵是监督学习中的一种可视化工具，主要用于比较分类结果和实例的真实信息。矩阵中的每一行代表实例的预测类别，每一列代表实例的真实类别。真正(True Positive , TP)：被模型预测为正的正样本。假正(False Positive , FP)：被模型预测为正的负样

关于OCR算法：一、测试方法：人工检验（效率低、需要提升）二、算法指标：1、文字识别准确率字符准确率：单字识别率，就是按单字算，一百个字里错5个字，识别率95%。字符识别准确率，即识别对的字符数占总识别出来字符数的比例，可以反应识别错和多识别的情况，但无法反应漏识别的情况 字符识别召回率，即识别对的字符数占实际字符数的比例，可以反应识别错和漏识别的情况，但是没办法反应多识别的情况，可以配套字符识别准确率一起使用。整行准确率：一个字段算一个整体，假如100个字分为20个字段，里面错

目录一、算法测试1、模型评估2、鲁棒性 (robustness)3、模型安全4、响应速度二、业务测试三、白盒测试四、模型监控五、算法测试学习入门一、算法测试1、模型评估如何评估模型？可以通过泛化能力。泛化能力指的是学习方法对未知数据的预测能力。就好比运动员平时都是在训练场进行训练，而评估运动员的真实实力要看在大赛中的表现。我们实际希望的，是在新样本上能表现得很好的学习器，为了达到这个目的，应该从训练样本中尽可能推演出适用于所有潜在样本的“普通规律”，这..