在现实任务中常会遇到这样的情况:不同类型的错误所造成的后果不同.例如在医疗诊断中,错误地把患者诊断为健康人与错误地把健康人诊断为患者,看起来都是犯了“一次错误”
2018-08-16 阅读全文>>现实任务中通常是利用有限个测试样例来绘制ROC图,此时仅能获得有限个(真正例率,假正例率)坐标对,无法产生图2 4(a)中的光滑ROC曲线,只能基于有限个测试样例篆绘制出如图2 4(b)所示的近似ROC曲线
2018-08-16 阅读全文>>错误率和精度虽常用,但并不能满足所有任务需求.以西瓜问题为例,假定瓜农拉来一车西瓜,我们用训练好的模型对这些西瓜进行判别,显然,错误率衡量了有多少比例的瓜被判别错误.
2018-08-16 阅读全文>>调参得好不好往往对最终模型性能有关键性影响.给定包含m个样本的数据集D,在模型评估与选择过程中由于需要留出一部分数据进行评估测试,事实上我们只使用了一部分数据训练模型.
2018-08-16 阅读全文>>大多数学习算法都有些参数(parameter)需要设定,参数配置不同,学得模型的性能往往有显著差别.因此,在进行模型评估与选择时,除了要对适用学习算法进行选择,还需对算法参数进行设定,这就是通常所说的“参数调节”或简称“调参”(parameter tuning)
2018-08-16 阅读全文>>“自助法”(bootstrapping)是一个比较好的解决方案
2018-08-16 阅读全文>>留一法的估计结果也未必永远比其他评估方法准确
2018-08-16 阅读全文>>“交叉验证法”(cross validation)先将数据集D划分为尼、个大小相似的互斥子集,即D= Di u D2 u U Dk,DinDj=g(t≠j) 每个子集Di都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
2018-08-16 阅读全文>>一般要采用若干次随机划分、重复进行实验评估后取平均值作为留出法的评估结果
2018-08-16 阅读全文>>训练/测试集的划分要尽可能保持数据分布的一致性
2018-08-16 阅读全文>>训练样本相当于给同学们练习的习题,测试过程则相当于考试
2018-08-16 阅读全文>>我们可通过实验测试来对学习器的泛化误差进行评估并进而做出选在现实任务中往往会选择
2018-08-16 阅读全文>>与“过拟合”相对的是“欠拟合”(underfitting),这是指对训练样本的一般性质尚未学好
2018-08-16 阅读全文>>通常我们把分类错误的样本数占样本总数的比例称为“错误率”(errorrate),即如果在m个样本中有a个样本分类错误
2018-08-16 阅读全文>>目前不论是各种主流媒体还是自媒体,都在宣扬我们进入了或者即将进入人工智能时代。有消息称人工智能将会取代一部分HTML5开发工程师,其实大家完全没必要担心这个,今天中培HTML5讲师就给大家详细分析下。首先,现在的人工智能取代的必然是简单并且
2018-08-15 阅读全文>>1727条 上一页 1.. 46 47 48 49 50 ..116 下一页