标签：预处理   target   pos   image   通过   精确   回归   targe   line   

学习

数据挖掘的流程

数据预处理->数据探索->模型训练->模型选择->模型评估

模型选择

模型选择是对超参数的选择，通过校验集，来看看模型那一组超参数有更好的效果

模型评估

参考资料
分类：分类问题的常用评估指标有准确率(accuracy)、精确率(precision)、召回率(recall)、F1_score、ROC曲线()等等，它们都可以基于混淆矩阵(confusion matrix)来进行计算
(1)混淆矩阵:二分类问题混淆矩阵如图所示:

P为Positive正类的意思，N为Negative负类的意思，T为True真的意思、F为False假的意思，举个例子，TP就是预测结果为Positive，同时预测结果为真(真实结果也为positive)。下面为混淆矩阵的代码实现：

#混淆矩阵
To do.....

(2)准确率、精确率、召回率：有了混淆矩阵后，就可以计算一些指标了。准确率公式为\(Accuracy = /frac{TP+TN}{TP+TN+FP+FN}\); 精确率公式为\(Precision = /frac{TP}{TP+FN}\); 召回率的公式为\(Recall = /frac{TP}{TP+FN}\)。下面为具体的代码实现：

#准确率、精确率、召回率

(3)F1_score：往往精确率和召回率是不可兼得的事情，所以我们需要一个综合两者的指标F1_score，为什么选择F1_score，而不选择mean呢？原因。其公式为\(F1_score = /frac{2/cdot p/cdot r}{p + r}\)。下面为具体的代码实现：

回归

实践

泰坦尼克号分类

数据挖掘学习与实践

标签：预处理   target   pos   image   通过   精确   回归   targe   line   

原文地址：https://www.cnblogs.com/Serenaxy/p/14131489.html