机器学习基石笔记(8)——Error Measure
来源:互联网 发布:ubuntu ctrl alt t 编辑:程序博客网 时间:2024/05/22 04:29
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。
- 机器学习基石笔记(8)——Error Measure
- 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
- 台大机器学习笔记(8)——Error Measure
- 机器学习基石-08-3-Algorithmic Error Measure
- 机器学习基石笔记8——为什么机器可以学习(4)
- 机器学习基石笔记8——为什么机器可以学习(4)
- 机器学习基石笔记
- 机器学习基石——笔记(1)
- 机器学习基石(林轩田)——笔记1
- 机器学习基石笔记(1)——The Learning Problem
- 机器学习基石笔记(7)——The VC Dimension
- 机器学习基石笔记9——Linear Regression
- 机器学习基石笔记10——Logistic Regression
- 台湾大学林轩田机器学习基石课程学习笔记8 -- Noise and Error
- 分享 机器学习基石笔记
- 机器学习基石笔记--1
- 头疼的算法与数据结构——红黑树
- 解决Could not find method android() for arguments问题
- Spring跨controller数据传输
- 垃圾收集器
- HDOJ-----5311---Hidden String---暴力
- 机器学习基石笔记(8)——Error Measure
- numpy矩阵的基础操作
- Objective-C 关联引用的实例 (59)
- JavaScript之树形结构数据(二)
- Wex5 模式4 震动插件
- 【算法作业3】LeetCode 169. Majority Element
- Linux下实用功能make的使用入门
- SWPU-ACM集训队周赛之个人赛(3-18)----题解
- 【Python+OpenCV】Windows+Python3.6.0(Anaconda3)+OpenCV3.2.0安装配置