本文深入探讨模型评估与选择的过程。介绍了测试数据的使用，如测试集、校验集和k折交叉验证，强调了sklearn中的GridSearchCV。此外，讨论了连续和离散数据的评价指标，如R2 Score和accuracy_score，并提到残差正态分布检查和相关系数分析。最后，解答了关于训练集、测试集、校验集关系以及模型复杂度与预测误差的问题。
一、模型评估
经过前面一系列的操作，我们得到了一个模型，但是如何评价这个模型好还是不好呢？
很简单，用数据测试一下。==>引发2个问题：数据从何而来？评价指标是什么？
【1】测试数据：测试集、校验集
（1）误差越小，模型越好。
（2）在校验集中，数据量不是很大时，会采用k折交叉验证。每折都会计算出一个超参数，最后超参数取平均值。
（3）sklearn中，交叉验证和网格搜索合并为一个参数：sklearn.model_selection.GridSearchCV。
只不过在线性模型中，留一交叉验证效果更好。在sklearn中，RidgeCV（岭回归）、LassoCV都是留一交叉验证。
（4）sklearn 还提供一个与LassoCV类似的LARS&
最低0.47元/天 解锁文章
扫一扫
516
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
