台大机器学习笔记(8)——Error Measure
来源:互联网 发布:淘宝直通车降价 编辑:程序博客网 时间:2024/05/20 16:01
8.1 Noise and Probabilistic Target
当存在噪声数据时,由于所得到的结果未必是真实的结果,因此模型不再是确定性函数
例如在线性不可分(可以看做在线性可分的集合中设置噪声)的训练集中,利用pocket感知机即寻找一个最好的模型使得损失函数
同时需要注意的是,在存在噪声的情况下VC维理论依然有效。
8.2 Error Measure
我们需要一个方法来判断我们得到的
介绍两种重要的error measure:
(1)0/1 error
即
(2)squared error
即
不同的损失函数会造成截然不同的预测结果。另外VC维理论在大多数error measure下都是有效的。
8.3 Algorithmic Error Measure
在预测中有4种结果,TP,TN,FP,FN。显然TP和TN是没有损失的,而FP与FN的重要性在不同环境下会有不同,这将体现在err中。演算法的核心就在于设计
根据不同的情况应采用不同的err,一般有两种角度:
(1)选择原理上可行的方法,例如0/1错误,或者平方差最小等。
(2)选择易于优化、求解的方法,例如一个近似解,或者凸函数。
8.4 Weighted Classification
本节讲解了在FP与FN的损失不均等的情况下应该如何改进算法。以pocket算法为例,如果FP的权重是FN的1000倍,则可以将问题转化为连续访问FP的节点1000次,反应在算法上则是放大该点访问后权重变化1000倍。另外,当每次判定是否使用新的w时,应该调整损失函数以适应损失不均等。
- 台大机器学习笔记(8)——Error Measure
- 机器学习基石笔记(8)——Error Measure
- [台大机器学习笔记整理]noise and error measure以及在此基础上Learning flow的扩展
- 台大机器学习 第八讲 Noise and Error 笔记
- 台大机器学习笔记——Adaboost
- 台大机器学习基石笔记(一)——机器学习可行性
- 台大-林轩田老师-机器学习基石学习笔记8
- 台大机器学习基石学习笔记
- 台大机器学习技法学习笔记
- 台大机器学习笔记(3-6)——机器学习的类型及机器学习有效性证明
- Coursera台大机器学习课程笔记7 -- Noise and Error
- 机器学习基石 8.2 Error Measure
- 机器学习基石 8.3 Algorithmic Error Measure
- 机器学习基石-08-2-Error Measure
- 台大机器学习基石笔记(二)——VC 维1
- 台大机器学习基石笔记(三)——VC 维2
- 台大机器学习基石笔记(四)——VC 维3
- 台大机器学习笔记(1)——The Learning Problem
- HTML 全局属性
- FrameWorks——切片操作
- UVa1586 Molar Mass
- struts2获得HttpServlet对象的方式
- NAT穿透相关知识
- 台大机器学习笔记(8)——Error Measure
- 创建一个带Nios II硬件和软件映象的.jic文件
- Java 多线程
- ++a,a++,--a,a--
- loadrunner之计算最大用户人数
- POJ 3122 Pie (二分查找)
- 2-SAT 挑战4.3习题
- MyEclipse搭建SSH框架 Struts2.1+Spring3.0+hibernate3.3
- 写在开始,于无助的研一