模型評估與優化_第1頁
模型評估與優化_第2頁
模型評估與優化_第3頁
模型評估與優化_第4頁
模型評估與優化_第5頁
已閱讀5頁，還剩7頁未讀， 繼續免費閱讀

下載本文檔

版權說明：本文檔由用戶提供并上傳，收益歸屬內容提供方，若內容存在侵權，請進行舉報或認領

文檔簡介

模型評估與優主講：湯淑寧化01評估方法02性能度量03模型優化目錄評估方法1評估方法留出法直接將數據集D劃分為兩個互斥的集合，其中一個集合作為訓練集S，另一個作為測試集T。交叉驗證法先將數據集D劃分為K個大小相似的互斥子集，然后，每次用k—1個子集的并集作為訓練集，余下的那個子集作為測試集。在留出法和交叉驗證法中，由于保留了一部分樣本用于測試，因此實際評估的模型所使用的訓練集比D小，這必然會引入一些因訓練樣本規模不同而導致的估計偏差。評估方法自助法“自助法”(bootstrapping)是一個比較好的解決方案，它直接以自助采樣法為基礎。給定包含m個樣本的數據集D，我們對它進行采樣產生數據集D'：每次隨機從D中挑選一個樣本，將其拷貝放入D',然后再將該樣本放回初始數據集D中，使得該樣本在下次采樣時仍有可能被采到。調參與最終模型現實中常用的做法是對每個參數選定一個范圍和變化步長，例如在[0,0.2]范圍內以0.05為步長，則實際要評估的候選參數值有5個，最終是從這5個候選值中產生選定值。性能度量2性能度量錯誤率與精度錯誤率是分類錯誤的樣本數占樣本總數的比例，精度則是分類正確的樣本數占樣本總數的比例。查準率、查全率與F1對于二分類問題，可將樣例根據其真實類別與學習器預測類別的組合劃分為真正例(truepositive)、假正例(falsepositive)、真反例(truenegative)、假反例(falsenegative)四種情形，令TP、FP、TN、FN分別表示其對應的樣例數，則顯然有TP+FP+TN+FN=樣例總數。性能度量ROC與AUCROC全稱是“受試者工作特征”，我們根據學習器的預測結果對樣例進行排序，按此順序逐個把樣本作為正例進行預測，每次計算出兩個重要量的值，分別以它們為橫、縱坐標作圖，就得到了“ROC曲線”。性能度量代價敏感錯誤率與代價曲線在現實任務中常會遇到這樣的情況：不同類型的錯誤所造成的后果不同。為權衡不同類型錯誤所造成的不同損失，可為錯誤賦予“非均等代價”。如下圖所示，正確判斷的代價顯然應該為

溫馨提示

  • 1. 本站所有資源如無特殊說明，都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
  • 2. 本站的文檔不包含任何第三方提供的附件圖紙等，如果需要附件，請聯系上傳者。文件的所有權益歸上傳用戶所有。
  • 3. 本站RAR壓縮包中若帶圖紙，網頁內容里面會有圖紙預覽，若沒有圖紙預覽就沒有圖紙。
  • 4. 未經權益所有人同意不得將文件中的內容挪作商業或盈利用途。
  • 5. 人人文庫網僅提供信息存儲空間，僅對用戶上傳內容的表現方式做保護處理，對用戶上傳分享的文檔內容本身不做任何修改或編輯，并不能對任何下載內容負責。
  • 6. 下載文件中如有侵權或不適當內容，請與我們聯系，我們立即糾正。
  • 7. 本站不保證下載資源的準確性、安全性和完整性, 同時也不承擔用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。

評論

0/150

提交評論