一、模型评估
原则
训练误差小,测试误差(泛化误差的近似,即在新样本上的误差)小
实验方法
1. 留出法:划分训练集与测试集(训练集约占2/3~4/5)
(1)保证训练集测试集类别比例相似;
(2)多次随机划分,重复实验取平均值
2. p次k折交叉验证法:
(1)划分数据集为k个子集,每次训练k-1个子集,测试剩下的子集
(2)p次划分,重复实验取平均值
3. 自助法:有放回从数据集中得到训练集,训练集中会有重复样本,常用于数据集较小
评价指标
1. 回归
1)MAE(mean absolute error)
2)MAPE(mean absolute percentage error)
3)MSE(mean squared error)
2. 分类
1)错误率与精度
错误率:分类错误的样本数占样本总数的比例
精度:分类正确的样本数占样本总数的比例
2)precision、recall、F
3)ROC与AUC
ROC曲线纵轴是recall,横坐标为FPR(即实际是负样本却预测为正样本的样本比例)
ROC面积是AUC,越接近于(0,1),模型越好
总结
训练集用于训练,验证集用于模型选择和调参,测试集用于验证模型的泛化能力