- 博客(2)
- 收藏
- 关注
RSS订阅原创 统计学习1-概论
统计学习基本分类监督学习（样本+标签）非监督学习（仅样本）聚类、降维（分类、转化）半监督学习––强化学习（状态、奖惩、试错、改进、长期累计奖励max）统计学习的实现步骤（1）得到一个有限的训练数据集：从给定的、有限的、用于学习的训练数据集合出发，假设数据独立同分布产生的（2）确定模型的假设空间：所有可能的备选模型集合（3）确定最优模型选择的评价准则：损失函数最小（策略）（4）最优模型的选择：算法实现，多用梯度下降算法（快速从所有模型里面得到最优）（5）
2021-01-13 00:09:46
120
原创 2-模型选择与评估
????2-模型评估与选择第一次写博客+繁忙的考试周ing看了机器学习的第二章，我主要想从以下几个方面来讲一下①误差与拟合②模型的评估方法③模型的性能评估误差与过拟合：学习器在训练集的误差是训练误差也就是我们经常提到的经验误差；而在新的未知的样本熵的误差称为泛化误差。那在一个现实问题中，我们无法预测到新样本长什么样子，那我们应该怎么去评估我们的泛化误差捏？没有办法，但是我们可以从训练集下手，努力去使我们的经验误差最小化，但是如果经验误差真的很小了，我们就可以说我们成功了吗？模型完美吗？这就
2021-01-12 23:36:52
92
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人