机器学习笔记(五)模型评估方法
来源:互联网 发布:淘宝基础版全屏店招 编辑:程序博客网 时间:2024/05/22 12:14
我们利用测试集来测试学习器对新样本的判别能力,把测试集上的测试误差作为泛化误差的近似。在选取测试集时,需要尽可能与训练集互斥。即举一反三的能力,考试不出原题。
一.留出法
直接将训练集划分为两个互斥的集合,其中一个作为测试集T,另一个作为训练集S。
注意事项:
1.测试训练集的划分要尽可能保持数据分布的一致性,避免因数据划分过程引入额外的偏差而对最终结果产生影响。例如对D进行分层采样,D包含500个正例,500个反例,则分层采样得到的S应包含350个正例,350个反例,二T应包含150个正例,150个反例。
2.采用留出法时,需要采用若干次随机划分,降低特殊情况产生的干扰。
3.一般采用2/3~4/5的划分规则。
二.交叉验证法
先将数据D划分成k个大小相似的互斥子集,每个子集尽可能保持数据分布的一致性,即从D中通过分层采样得到。然后每次用k-1个子集的并集作为训练集,余下的那个子集作为测试集。这种方法的稳定性和保真性在很大程度上取决于k的取值。k常取10.
注意事项:
1.也需要像留出法一样重复p次的随机划分,最后取验证结果的均值。常见的有10次10折交叉验证。
2.评估结果较准确,但是当数据集较大时,计算开销会很庞大。
三.自助法
给定包含m个样本的数据集D,我们对它进行采样产生数据集D、:每次随机从D中挑选一个样本,将其拷贝放入D、,然后再将该样本放回初始数据集D中,使得该样本在下次采样时仍有可能被采集到。这个过程执行m次之后,我们就得到了包含m个样本的数据集D、,这就是自主采样的结果。这种方法兼具前面两者的优势。
四.调参与最终模型
即确定算法的某几个参数,以适应不同的情况。
0 0
- 机器学习笔记(五)模型评估方法
- 机器学习模型性能评估方法笔记
- 机器学习模型评估方法
- 机器学习笔记 - 评估方法
- 机器学习笔记-评估方法
- 《机器学习》第二章 模型评估与选择 笔记2 泛化误差的评估方法
- 机器学习笔记--模型评估与选择
- 机器学习模型评估方法介绍
- 【机器学习】机器学习中模型评估的方法
- 机器学习(七) - - 模型评估和选择②评估方法
- 机器学习之模型评估与模型选择(学习笔记)
- 机器学习学习笔记(3)----模型评估与选择
- 机器学习-学习笔记 模型评估与选择
- 周志华《机器学习》学习笔记2--模型评估与选择
- 机器学习的模型评估
- 机器学习 | 决策树+模型评估
- 机器学习模型评估指标
- 机器学习笔记(二)模型评估与选择
- 实现自适应页面的方法,适合APP开发
- git本地创建分支
- 禅道、BugFree测试环境部署
- Learning——Link
- OC 重点block-------4-------block案例1
- 机器学习笔记(五)模型评估方法
- Jmeter搭建
- mysql主从复制原理和注意事项
- bootstrap入门上手
- java使用DateUtils对日期进行数学运算
- java中多线程中测试某个条件的变化用 if 还是用 while?
- CSDN写博客自动同步代码片问题(博客添加的代码发布后却没有在CODE上查看代码片)
- 多线程实现多客户端通信
- K9K8G08U0B-PIB0 1G用512MBMT29F4G替代驱动修改