名词解释
机器学习
机器学习就是让机器自己有学习能力,能模拟人的思维方式去解决问题。
过拟合
在训练集上误差低,测试集上误差高。过拟合原因:模型把数据学习的太彻底,以至于把噪声数据的特征也学习到了,这样就会导致在后期测试的时候不能够很好地识别数据,模型泛化能力太差。
欠拟合
模型在训练集上误差很高。欠拟合原因:模型过于简单,没有很好的学习到数据的普遍特征,不能很好的拟合数据。
K折交叉验证
将数据D划分为K个大小相似的互斥子集,训练K次,每次训练使用一个子集作为验证集,其他K-1个子集作为训练集。最后对K次训练误差和验证误差分别求平均
查准率
预测为正例样本中真实类别为正例的比例
P=TP/(TP+FP)
查全率
真实类别为正例的样本预测为正例的比例
R=TP/(TP+FN)
PR曲线平衡点
PR曲线上P=R的点
F1=2PR/(P+R)
真正例率
预测为正例并且预测正确的数量占真实类别为正例样本的比例
TPR=TP/(TP+FN)
假正例率
预测为正例并且预测错了的数量占真实类别为反例样本的比例
FPR=FP/(TN+FP)
AUC
ROC 曲线与横轴所围成的面积,AUC 越大,模型的分类性能就越高
ROC是以FPR为横轴,TPR为纵轴绘制的曲线
凸函数
对于一元函数fx,若fx上任意两点的割线均在曲线上方,则此函数为凸函数。凸函数具有唯一最小值,所求模型为全局最优
梯度
一个函数的全部偏导数构成的向量,梯度的方向是函数值增长最快的方向
信息增益
在划分数据集前后信息熵发生的变化。决策树中,信息增益越大的特征,选择性越好。
Gain(D) = E(D) - ΣE(D1234…)
基尼指数
反映了从D中随机抽取两个样例,其类别标记不一致的概率。基尼指数越小,数据集纯度越高。在Cart决策树中,采用基尼指数作为划分属性的准则。
预剪枝
在决策树生成过程中,对每个结点在划分先进行估计,若当前结点的划分不能带来决策树泛化能力提升,则停止划分合并将当前结点标记为叶结点。
后剪枝
先从训练集生成一颗完整的决策树,然后自底向上地对非叶结点进行考察,若将该结点对应的子树替换为叶结点能带来决策树泛化性能提升,则将该子树替换为叶结点。
神经网络
神经网络是由适应性的简单单元组成的广泛并行互连的网络,他的组织能够模拟生物神经系统对真实世界物体所作出的交互反应。
one-hot编码
One-Hot 编码又称为一位有效编码,主要是采用 N 位状态寄存器来对N 个状态进行编码,每个状态都有他独立的寄存器位,并且在任意时候只有一位有效。
间隔
两个异类支持向量到超平面的距离之和。
支持向量
距离超平面最近的样本点
聚类
按照某一特定标准将一个数据集分为不同的类或簇,使得同一个簇内的数据相似性大,不在同一个簇内的数据差异性大。
降维
保留重要的特征维度,去除冗余或不相关的特征。
留一法
将数据D划分为K个大小相似的互斥子集,训练K次,每次训练使用一个子集作为验证集,其他K-1个子集作为训练集。最后对K次训练误差和验证误差分别求平均