【动手学数据分析】Task03笔记

建模：

前两个task中学会了怎么清洗数据准备数据，相当于得到了喂给模型的建模数据。

判断是否存活，所以是个监督问题。

下面这个图实在是有灵性。

 

 

【思考】

• 划分数据集的方法有哪些？ 留出法、k折验证法
• 为什么使用分层抽样，这样的好处有什么？分层抽样的精度比简单随机抽样的精度高

单次使用留出法得到的估计结果往往不够稳定可靠，在使用留出法时，一般要采用若干次随机划分、重复进行模型评估后取平均值作为留出法的评估结果。

 

参数说明：train_test_split (*arrays，test_size, train_size, rondom_state=None, shuffle=True, stratify=None)

• arrays：特征数据和标签数据（array，list，dataframe等类型），要求所有数据长度相同。
• test_size / train_size: 测试集/训练集的大小，小数表示比例 / 整数表示数据个数。
• random_state：随机种子（一个整数），random_state相同划分结果也相同。
• shuffle：是否打乱数据的顺序，再划分，默认True。
• stratify：none或者array/series类型的数据，表示进行分层采样的依据。 

为什么线性模型可以进行分类任务，背后是怎么的数学关系？

设定阈值？概率问题

对于多分类问题，线性模型是怎么进行分类的？

也是算概率？不太记得了

评估：

评价评的是模型的泛化能力。

“交叉验证（cross-validation）是一种评估泛化性能的统计学方法，它比单次划分训练集和测试集的方法更加稳定、全面。”

k折越多的情况下会带来什么样的影响？

偏差和方差的问题