经验误差与过拟合
错误率:分类错误的样本占样本总数的比例
精度:1-错误率
误差:学习器实际预测输出与样本的真实输出之间的差异
训练误差(经验误差):学习器在训练集上的误差
泛化误差:在新样本上的误差
过拟合:学习器把训练样本自身的特点当做所有潜在样本具有的一般性质。
欠拟合:对训练样本的一般性质尚未学好
过拟合不可避免,只能减低。
评估方法
使用测试集来测试学习器对新样本的判别能力,然后以测试集上的测试误差作为泛化误差的近似。测试样本尽可能不在训练集中(不使用原题)。
对数据集D划分为训练集S和测试集T,常见做法:
(1)留出法
直接将数据集D划分为两个互斥的集合,其中一个作为训练集S,另一个作为测试集T。在S上训练模型后,用T连评估测试误差,作为对泛化误差的估计。
训练/测试集划分要尽可能保持数据分布的一致性。
(2)交叉验证法
将数据集D划分为k个大小相似的互斥子集,D=D1∪D2...∪Dk。
每个子集Di都尽可能保持数据分布的一致性,即从D中通过分层采样得到。然后,每次用K-1个子集的并集作为训练集,余下的子集作为测试集,可以获得k组训练/测试集,可进行k次训练和测试,最终返回的是k个测试结果的均值。(k折交叉验证),k常用取值是10,。
(3)自助法
在留出法和交叉验证法中,由于保留了一部分样本做测试,所以实际评估的模型比使用的训练集小,这样会引入一些因训练样本规模不同导致的估计偏差。
自助法:给定m个样本的数据集D,对D采样产生数据集D’:每次随机从D中挑选一个样本,将其拷贝放入D’,然后再将样本放回初始数据集D中,使得该样本在下次采样时仍有可能被猜到;重复m次后,得到了包含了m个样本的数据集D’。
D中有一部分样本在D’中会多次出现,一部分不出现。
通过自助采样,初始数据集中大约有36.8%的样本未出现在采样数据集D’中,所以将D’作为训练集,D-D'作为测试集。