机器学习——如何评价回归模型
来源:互联网 发布:宜家海沃格床垫知乎 编辑:程序博客网 时间:2024/06/05 09:50
本内容整理自coursera,欢迎交流转载。
如何定义损失
我们用如下符号表示回归模型的损失(loss):
L(y,fw^(x⃗ ))
举个栗子,我们可以使用局对误差或者方差表示 损失函数:
L(y,fw^(x⃗ ))=|y−fw^(x⃗ )|
L(y,fw^(x⃗ ))=|y−fw^(x⃗ )|2
三种误差
training error
根据如上对损失函数的定义,training error可以表示为:
注意:这里的计算实在training set上进行的。
例如我们可以用squared error来表示损失函数,那么
由于training error是在训练集计算的,所以随着模型复杂度的增加,training error逐渐减小。
generalization error(泛化误差)
泛化误差表示为我们所有可能遇到的数据的误差,
这里的
所以说泛化误差是永远无法得到的。随着模型的复杂度的增加,泛化误差先变小,然后由于过拟合而变大。
test error(测试误差)
注意:这里的
w^ 依旧是在训练集你喝的道德系数向量。
下面比较一下三种误差:
误差的三个来源
主要来自以下三个方面:
- noise(噪声)
- bias(偏差)
- variance(方差)
噪声是不可消除的。
Bias定义为:
假设我们有好多拟合函数,在不同的训练集拟合。我们把这些函数平均得到一个
fw¯(x⃗ ) ,那么我们的Bias(x⃗ )=fw(true)(x⃗ )−fw¯(x⃗ ) ,由这个定义我们可以得知较低的模型复杂度会有较高的偏差,即Low complexity→high bias .
方差:随着模型复杂度增加,方差增加
- 机器学习——如何评价回归模型
- (机器学习)如何评价回归模型?——Adjusted R-Square(校正决定系数)
- 机器学习模型的评价
- 机器学习模型评价指标
- 机器学习模型评价指标
- 机器学习模型——逻辑回归Logistic Regression
- 机器学习之——线性回归模型及其扩展
- 【机器学习算法模型】分类算法——logistic回归
- 机器学习——线性模型之回归与分类
- 机器学习——线性模型之逻辑回归
- 机器学习——线性模型之softmax回归
- 机器学习-广义回归模型
- 机器学习之回归模型
- 机器学习模型评价指标 -- 混淆矩阵
- 机器学习分类器模型评价指标
- 机器学习实战---详解模型评价指标
- 机器学习基础(二十一)—— 分类与回归、生成模型与判别模型
- 吴恩达机器学习笔记——指数分布族&广义线性模型&逻辑回归概率模型推导
- iOS UILabel 加载 HTML文字
- Spring Quartz 动态配置定时任务
- 登录 注册 正则验证
- javascript form onsubmit中的return 后面跟一个函数,其中return 起什么作用
- 事件冒泡与事件捕获
- 机器学习——如何评价回归模型
- jquery获取复选框的值
- iOS iOS判断是否有权限访问相机,相册,定位
- UILabel
- hibernate中的配置小细节
- 46象棋(4)
- 【问题解决】HttpClient解析服务器返回的response出现乱码
- ava是现在全球最时髦的开发工具之一
- android中Xml文件解析方法