机器学习——西瓜书从头读到尾11
咱们按练习集预算法的联系进行区分。
一种练习集一种算法
经历差错与过拟合
- 差错: 学习器的实践猜测输出与样本的真实输出之间的差异；比如一组数据 1,2,4,5.运用阈值3，将其分为两类。假设学习器的分类成果为 1和 2，4, 5 。但是实践的成果为1,2,和4,5，分错的2便是差错。
- 经历差错：练习集的差错，也叫练习差错。相关于经历差错的，还有咱们常常遇到的泛化差错，泛化差错是在新样本（测验集）的差错。
- 过拟合：当学习器把练习样本学的“太好”了的时分，很可能已经把练习样本特色当作了潜在样本都会具有的一般性质，这会导致泛化功能下降。与过拟合相对的是“欠拟合”，这是指对练习样本的一般性质没有学好。
模型评价的办法
练习集
测验集保存办法
- 留出法：三七或二八，但注意练习集测验集同散布，或屡次随机区分练习多个模型取均匀值
- k折穿插验证法：将练习集随机等分为k份，取其间一份为验证集评价模型，其他k-1份为练习集练习模型，重复该步骤k次，每次都取一份不同的子集为验证集，终究得到k个不同的模型（不是对一个模型迭代k次）和k个评分，归纳这k个模型的体现（均匀得分或其他）评价模型在当时问题中的优劣。
- 自助法：原数据集 D D D是一个包含m个样本的数据集，通过自助法有放回的重复抽样m次，每次抽取1个数据，放到 D ′ D’ D′中， D ′ D’ D′中也有 m m m个样本，一起，原来的数据集D中不被D’包含的数据作为验证集。究竟会有多少数据作为验证集呢？周教师给出了原数据集 D D D一次也未被抽中的数据的概率为：
lim m → ∞ ( 1 − 1 m ) m → 1 e ≈ 0.368 \lim\limits_{m \to \infty}(1-\frac{1}{m})^m \to \frac{1}{e}\approx0.368 m→∞lim(1−m1)m→e1≈0.368理论状态下，验证集为 0.368 ∗ m 0.368*m 0.368∗m条数据
适用：数据集较小难以区分时。缺点：改动初始散布，引入估量差错。
验证集
调参用，调参难度大，很多参数人为规定，为了调参，常加一个数据集进行验证，练习及练习，验证集看成果，调参，再练习…
功能丈量
均方差错
在猜测任务中，给定样例集 D = ( x 1 , y 1 ) , ( x 2 , y 2 ) , . . . , ( x m , y m ) D={(x_1,y_1),(x_2,y_2),…,(x_m,y_m)} D=(x1,y1),(x2,y2),…,(xm,ym)中是示例 x i x_i xi的真实符号，要评价学习器 f f f的功能，就要把学习器猜测成果 f ( x ) f(x) f(x)与真实符号 y y y进行比较
{ 均 方 误 差 ： E ( f : D ) = 1 m ∑ i = 1 m ( f ( x i ) − y i ) 2 对 于 数 据 分 布 D 和 概 率 密 度 函 数 p ( ⋅ ) : E ( f : D ) = ∫ x ∼ D ( f ( x i ) − y i ) 2 p ( x ) d x \left\{ \begin{aligned} & 均方差错：E(f:D)=\frac{1}{m}\sum\limits_{i=1}^m(f(x_i)-y_i)^2\\ &关于数据散布D和概率密度函数p(\cdot ):E(f:D)=\int_{x\sim D}(f(x_i)-y_i)^2p(x)dx \end{aligned} \right. ⎩⎪⎪⎪⎨⎪⎪⎪⎧均方差错：E(f:D)=m1i=1∑m(f(xi)−yi)2关于数据散布D和概率密度函数p(⋅):E(f:D)=∫x∼D(f(xi)−yi)2p(x)dx
错误率与精度
查准率查全率
查准率： P = T P T P + F P P=\frac{TP}{TP+FP} P=TP+FPTP
你认为的好瓜里面真的是好瓜的份额。
查全率： R = T P T P + F N R=\frac{TP}{TP+FN} R=TP+FNTP
我猜测的里面好瓜占真正好瓜的份额
以查准率为纵轴、查全率为横轴作图 ，就得到
了查准率-查全率曲线，简称 “P-R曲线”
若一个学习器的 P-R 曲线被另一个学习器的曲线完全”包住 “ ， 则可断语后者的功能优于前者。但往往学习器的 P-R 曲线发生了穿插难以断语两者孰优孰劣?在很多情形下，人们往往仍希望把学习器 A 与 B 比出个高低 . 这时一个比较合理的判据是比较 P-R 曲线节面积的巨细，它在必定程度上表征了学习器在查准率和查全率上取得相对”双高”的份额.但这个值不太简单预算，因此人们规划了一些归纳考虑查准率 、 查全率的功能度量 。
最优阈值
一个二分类(一张PR)
Fbeta加权的谐和均匀:对查准率和查全率的重视程度有所不同, β \beta β = 1,退化为标准的 F1; β \beta β> 1 时查全率有更大影响 ; β \beta β< 1 时查准率有更大影响。
n个二分类完成的多分类
这里咱们详细说一下如何分解n个二分类完成多分类，主要有先核算再求和，先求和再核算两方面：
