机器学习主要用历史数据(含有结果,或者说标签)训练出模型,以便让这个模型对新的数据(不含结果)能够进行预测(要结果)。
训练的时候:一般思路都是让误差尽可能地小,但是误差越小的模型,对新的数据进行预测时可能结果并不满意。
就是说这个模型对历史数据是适合的,但是对其他新的没见过的数据,它的预测结果不一定好,就是说这个模型的泛化能力下降
所以,对训练出来的模型,我们还需要进行评估,看看训练出来的模型的准确率等指标如何,以检查它的泛化能力
评估时用的数据和刚才训练时用的数据肯定不能是同一批,否则看不出模型的泛化能力
所以,一般会把历史数据分为2部分,一部分用来训练,一部分用来测试。用来训练的数据叫训练集(训练数据),测试的叫测试集(测试数据)
机器学习简单的步骤:分离数据为训练数据和测试数据;用训练数据来训练出模型;用测试数据来评估模型;评估指标满意,就把新的数据“喂”给模型用来预测
机器学习简单描述
最新推荐文章于 2023-08-05 00:53:32 发布