zhenglit的博客

原文：https://www.cnblogs.com/zongfa/p/9431807.html在使用机器学习算法过程中，针对不同的问题需要不用的模型评估标准，这里统一汇总。主要以两大类分类与回归分别阐述。一、分类问题1、混淆矩阵混淆矩阵是监督学习中的一种可视化工具，主要用于比较分类结果和实例的真实信息。矩阵中的每一行代表实例的预测类别，每一列代表实例的真实类别。　　　　　　真正(True Positive , TP)：被模型预测为正的正样本。假正(False Positiv

当达到最小样本量的时候，我们能否再积累两天样本，使得P值发生改变，然后选择改变后的P值作为我们的结论？不能！背景：在做AB实验的时候我们根据MDE计算出了最小样本量，根据最小样本量我们规划了一个7天的实验，但是7天后我们评估发现p-value>0.05，这个时候我们能否再积累两天样本使得p-value<0.05的时候再做结论？不能，我们是“在保证犯第一类错误的概率<0.05的前提下，尽量的使得power越大越好”，虽然继续积累样本量可以保证power越来越大，但是我们就没办法保证

横坐标是分类/日期变量，纵坐标是数值变量，画折线图例1：> datedata date value class1 2020-01-01 0.39121506 a2 2020-01-02 0.80494396 a3 2020-01-03 0.58351189 a4 2020-01-04 0.05941928 a5 2020-01-05 0.07531910 a6 2020-01-06 0.80780271

横坐标是分类/日期变量，纵坐标是数值变量，画折线图例1：datedatadate value class1 2020-01-01 0.39121506 a2 2020-01-02 0.80494396 a3 2020-01-03 0.58351189 a4 2020-01-04 0.05941928 a5 2020-01-05 0.07531910 a6 2020-01-06 0.80780271 a7 2020-