2.1 经验误差与拟合
精度(accuracy)和错误率(error rate):精度=1-错误率
训练误差(training error)或经验误差(empirical error)
泛化误差(generalization error)
过拟合(overfitting)和欠拟合(underfitting)
过拟合:小明脸上一个伤口,机器人为没上伤口才是小明,过分在意无关细节,导致该筛的没筛到
欠拟合:身高170就是小明,结果小明好几个
2.2 评估方法
2.2.1 留出法(hold-out)
常用做法是将大学2/3~4/5的样本用于训练,剩余样本用于训练
为同时保证训练集和测试集的准确性,所占比例都不能过大或者过小
2.2.2 交叉验证法(cross validation)
将数据集分为n份,n次选编号n的集合作为测试集,其余为训练集验证,求平均
常用的有“10次10折交叉验证”
特例 :留一法(Leave-One-Out) m个样品m个子集,则1个子集1个样品;相对精确,可是计算量可能会比较大
2.2.3 自助法(bootstrapping)
为了弥补前两种方法训练集均小于数据集的缺陷
基于自助取样(有放回取样)
2.3 性能度量
2.3.1 错误率和精度
2.3.2 查准率(precision)和查全率(recall)
P-R图,如果A曲线包住B曲线,则A好;如果有交叉,看平衡点(Break-Even point)大小
2.3.3 ROC和AUC
时间: 2024-11-05 19:33:09