机器学习
文章平均质量分 80
Evan@DL&&java
java
展开
-
bias和varience的研究论文推荐
Understanding the Bias-Variance Tradeoff文章很清晰,很好理解,偏差方差**节选**Bias and VarianceUnderstanding how different sources of error lead to bias and variance helps us improve the data fitting process resulting in more accurate models. We define bias and varia原创 2020-12-05 16:44:34 · 159 阅读 · 0 评论 -
关于机器学习中的方差和偏差,bias和variance
概念偏差: 描述的是预测值(估计值)的期望与真实值之间的差距。偏差越大,越偏离真实数据集。(Ps:假设靶心是最适合给定数据的模型,离靶心越远,我们的预测就越糟糕)方差: 描述的是预测值的变化范围,离散程度,也就是离其期望值的距离。方差越大,预测结果数据的分布越散。基于偏差的误差: 所谓基于偏差的误差是我们模型预期的预测与我们将要预测的真实值之间的差值。偏差是用来衡量我们的模型的预测同真实值的差异。基于方差的误差: 基于方差的误差描述了一个模型对给定的数据进行预测的可变性。比如,当你多次重复构建原创 2020-12-04 13:56:31 · 430 阅读 · 0 评论 -
关于训练集、验证集、测试集的划分
前言在使用数据集训练模型之前,我们需要先将整个数据集分为训练集、验证集、测试集。训练集是用来训练模型的,通过尝试不同的方法和思路使用训练集来训练不同的模型,再通过验证集使用交叉验证来挑选最优的模型,通过不断的迭代来改善模型在验证集上的性能,最后再通过测试集来评估模型的性能。如果数据集划分的好,可以提高模型的应用速度。如果划分的不好则会大大影响模型的应用的部署,甚至可能会使得我们之后所做的工作功亏一篑。本文讨论如何通过数据集分布和数据集大小两个方面来划分数据集,文章中主要的内容来自于deeplearnl a原创 2020-12-02 14:05:35 · 985 阅读 · 0 评论 -
关于估计、偏差以及方差
https://www.cnblogs.com/BobPong/p/12867436.html原创 2020-12-02 13:42:21 · 108 阅读 · 0 评论 -
机器学习错误率、准确率、精确率、召回率
这四个概念之前一直混淆着我,今天好好地梳理一遍,通过一个简单的二分类问题给出各自的解释先给出各自的定义:错误率:指分类错误的样本数占样本总数的比例,对于样本集D,定位错误率为:准确率accuracy:分类正确的样本数占样本总数的比例精确率(查准率)precision:表示被分为正例的个数中实际为正例的比例召回率(查全率):表示有多少个正例被准确分为了正例我们用一个二分类的混淆矩阵来表示真实情况 预测结果(正) 预测结果(反)正 TP(真正例) FN(假反例)反 FP(假正例) TN(真反原创 2020-12-02 13:11:38 · 1546 阅读 · 0 评论 -
关于反向传播算法中的残差推导理解
关于残差的理解;在返乡传播中需要求得dW,db,dW=dL/dW=(dL/dz)*(dz/dw)在这里dL/dz就是所谓的残差,最终残差的推导公式有:所以dW=dL/dW=(dL/dz)∗(dz/dw)=(残差)∗(dz/dw)=(残差)∗a[l]dW=dL/dW=(dL/dz)*(dz/dw)=(残差)*(dz/dw)=(残差)*a^{[l]}dW=dL/dW=(dL/dz)∗(dz/dw)=(残差)∗(dz/dw)=(残差)∗a[l]db=dL/db=(dL/dz)∗(dz/db)=原创 2020-12-01 18:08:20 · 1847 阅读 · 0 评论