机器学习(1)——模型评估与选择

标签：平衡点   机器   call   图片   bsp   数据集   情况   数据   误差   

• 一些评估方法

　　1.留出法

它将数据集D划分为两个互斥的集合，其中一个集合作为训练集S，S的补集作为测试集T。在S上训练出模型后，用T来评估其测试误差，作为对泛化的估计。

　　2.交叉验证法

将数据集划分为k个大小相似的互斥子集，D=D₁ U D₂ U...D_{k，每个子集都尽可能保持分布一致性。每次选择k-1个子集作为训练集，余下的第k个子集作为测试集合。从而获得k次训练和测试，最终返回的是k个测试结果的均值。通常称为“k折交叉验证”。}

　　3.自助法

给定m个样本的数据集D，采样产生数据集D‘，每次随机从D中挑选一个样本，将其拷贝进入D‘（只是拷贝不是剪切）将这个过程重复m次，就得到包含m个样本的数据集D‘，此时用D‘作为训练集，用D\D‘作为测试集。自助法对于数据集比较小，难以划分训练集和测试集的时候很有用。

• 性能度量方法

　　1.查准率、查全率、F1

 首先对于算法的预测结果，可符合一些这样的情况。

查准率（recall）P=TP/(TP+FP)

查全率（precision）R=TP/(TP+FN)

但实际上，P和R他们是矛盾的，他们成反比，因为为了更好地度量算法的性能，P-R曲线更能综合P和R的结果。（这里个人认为recall更能直观看出算法的应用性能）

P-R曲线越饱满，算法性能越好，但为了具体比较两个类似A模型和B模型的性能，引入了平衡点（BEP）。它指的是P=R的时候P-R曲线的取值。BEP越大，则算法更好。

为了进一步比较两个算法性能，引入F₁度量。

 但在一些具体应用中，对P和R的重视程度有所不同。则F₁度量的一般形式更能归纳不同偏好

 ß度量了查全率对查准率的重要性。ß=1，则退化为基本的F₁度量。

机器学习(1)——模型评估与选择

标签：平衡点   机器   call   图片   bsp   数据集   情况   数据   误差   

原文地址：https://www.cnblogs.com/yeshengCqupt/p/12913078.html