机器学习的一般流程： 1、获取数据 2、数据预处理 3、数据集分拆 4、搭建模型 5、模型评估 6、模型保存 接下来，以Sklearn为例，一一介绍。 1、获取数据 1.1、导入数据集： 要想使用sklearn中数据集，必须导入datasets模块： from sklearn import data ...
分类：
其他好文 时间：
2019-08-29 15:28:22
阅读次数：
92
2019-08-27 11:45:21 问题描述：在模型评估过程中，过拟合和欠拟合具体是指什么现象，如何解决。 问题求解： 过拟合是指模型对于训练的数据集拟合呈现过当的情况，反应到评估指标上就是模型在训练集上的表现很好，但是在测试集和新数据上的表现较差。 欠拟合是指模型对于训练和预测时的表现都不好。 ...
分类：
其他好文 时间：
2019-08-27 12:58:34
阅读次数：
105
2.1 经验误差与过拟合 错误率和精度：通常我们把分类错误的样本占样本总数的比例称为“错误率”（error rate)，即如果在m个样本中有a个样本分类错误，则错误率E=a/m；相应的，1-a/m称为“精度”。（accuracy）.即“精度=1-错误率”。 误差：学习期的实际预测误差和样本的真实输出 ...
分类：
其他好文 时间：
2019-06-24 00:57:08
阅读次数：
175
使用网格搜索法对5个模型进行调优（调参时采用五折交叉验证的方式），并进行模型评估，记得展示代码的运行结果。 时间：2天 1.利用GGridSearchCV调参 1.1参数选择 首先选择5个模型要调的参数，这里是根据以前在知乎看的一张图片（感谢大佬！） 1.2划分验证集 本来想用sklearn的模块划 ...
分类：
其他好文 时间：
2019-05-19 23:15:31
阅读次数：
147
1. 导入/生成样本数据集 2. 转换和归一化数据 3. 划分样本数据集为训练样本集、测试样本集和验证样本集 4. 设置机器学习参数（超参数） 5. 初始化变量和占位符 6. 定义模型结构 7. 声明损失函数 8. 初始化模型和训练模型 9. 评估机器学习模型 10. 调优超参数 11. 发布/预测 ...
分类：
其他好文 时间：
2019-04-20 15:40:37
阅读次数：
135
小书匠本文目录：1.数据情况2.数据预处理3.样本划分及标签处理4.模型训练5.模型评估6.预测未来下一个６个指标现收集有流媒体传输过程中的６个指标，这些指标分别是：PDCCH信道CCE可用个数 AvaPdcchPDCCH信道CCE占用个数 OccPdcchRRC连接最大数 ConRrc上行PRB平... ...
分类：
其他好文 时间：
2019-04-01 17:03:12
阅读次数：
225
要根据不同的目标选取合适的评估指标。 进行二分类问题的时候，数据集之间的不平衡，会导致评价指标accuracy很高，但是却不能反应模型的好坏。 sklearn.metrics.confusion_matrix 如果标记数字的话，则按标签从小到大排序，如果为字符型的化，自己设计labels参数来表示其 ...
分类：
其他好文 时间：
2019-03-30 10:42:44
阅读次数：
145
1. 评价指标的局限性 准确率（Accuracy） 精确率（Precision） 召回率（Recall） 均方根误差（Root Mean Square Error, RMSE） 1.1 准确率 准确率： 指分类正确的样本占总样本个数的比例 准确度的问题： 当不同类别的样本比例非常不均衡时，占比大的类 ...
分类：
其他好文 时间：
2019-03-11 23:42:58
阅读次数：
293
一.经验误差和过拟合 错误率 E=a/m, a分类错误的样本数，m样本总数 精度 = 1 - E。 学习器在训练集上的误差：训练误差；在新样本上的误差：泛化误差。好的学习器应在新样本上表现优秀，因此学习器应尽可能掌握样本的潜在规律，提升泛化性能。 过拟合：学习能力过于强大，样本训练时将样本“自身特点 ...
分类：
其他好文 时间：
2019-03-04 12:42:26
阅读次数：
190
多分类模型评价指标：“宏”，“微”，“汉明损失”，“IOU” ...
分类：
其他好文 时间：
2019-02-13 22:47:14
阅读次数：
352
