机器学习笔记

机器学习笔记(1-2章)

归纳偏好

引导算法确立正确的偏好的一般性原则,“奥卡姆剃刀”。即“若有多个假设与观察一致,则选最简单的那个”。
事实上,归纳偏好对应了学习算法本身所做出的的关于“什么样的模型更好”的假设。

“没有免费午餐”定理(NO Free Lunch Theorem,简称NFL定理):无论算法a多聪明,算法b多笨拙,他们的期望性能是相同的。
NFL定理有一个重要的前提:所有“问题”出现的机会相同,或所有问题同等重要。所以NFL定理的寓意是让我们清楚的认识到。脱离具体问题,空泛的谈论“什么学习算法更好”毫无意义。

要谈论算法的相对优劣,必须针对具体的学习问题,在某些问题上表现好的算法,在另一些问题上却不尽人意,学习算法的归纳偏好与问题是否相匹配,往往会起决定性作用。

机器学习提供数据分析能力,云计算提供数据处理能力,众包提供数据标注能力。

自然科学的研究的驱动力归纳起来无外是人类对宇宙本源、万物本质、生命本性、自我本识的好奇。

过拟合

过拟合:有很多因素可能导致过拟合,其中最常见的情况是由于学习能力过于强大,以致于把训练样本所包含的不太一般的特性都学到了,而欠拟合则通常是由于学习能力低下造成。

评估方法

1.留出法(常见做法是将大约2/3~4/5的样本用于训练,剩余样本用于测试)
2.交叉验证法(K倍交叉验证,当K=m时,得到一个交叉验证法的一个特例:留一法)
3.自助法(数据集少)

性能度量

1.错误率和精度
在这里插入图片描述
2.查准率、查全率和F1

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
3.ROC和AUC
在这里插入图片描述
4.代价敏感错误率与代价曲线
在这里插入图片描述

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值