- 博客(2)
- 收藏
- 关注
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