摘要：
下图为四种不同算法应用在不同大小数据量时的表现，可以看出，随着数据量的增大，算法的表现趋于接近。即不管多么糟糕的算法，数据量非常大的时候，算法表现也可以很好。 数据量很大时，学习算法表现比较好的原理： 使用比较大的训练集（意味着不可能过拟合），此时方差会比较低；此时，如果在逻辑回归或者线性回归模型中 阅读全文
posted @ 2018-01-21 23:13
橙子牛奶糖
阅读(405)
评论(0)
推荐(0)
摘要：
一般来说，召回率和查准率的关系如下：1、如果需要很高的置信度的话，查准率会很高，相应的召回率很低；2、如果需要避免假阴性的话，召回率会很高，查准率会很低。下图右边显示的是召回率和查准率在一个学习算法中的关系。值得注意的是，没有一个学习算法是能同时保证高查准率和召回率的，要高查准率还是高召回率，取决于 阅读全文
posted @ 2018-01-21 20:51
橙子牛奶糖
阅读(359)
评论(0)
推荐(0)
摘要：
上篇文章提到了误差分析以及设定误差度量值的重要性。那就是设定某个实数来评估学习算法并衡量它的表现。有了算法的评估和误差度量值，有一件重要的事情要注意，就是使用一个合适的误差度量值，有时会对学习算法造成非常微妙的影响。这类问题就是偏斜类（skewed classes）的问题。什么意思呢。以癌症分类为例 阅读全文
posted @ 2018-01-21 17:43
橙子牛奶糖
阅读(696)
评论(0)
推荐(0)
摘要：
误差分析可以更系统地做出决定。如果你准备研究机器学习的东西或者构造机器学习应用程序，最好的实践方法不是建立一个非常复杂的系统、拥有多么复杂的变量，而是构建一个简单的算法。这样你可以很快地实现它。研究机器学习的问题时，会花一天的时间试图很快的把结果搞出来。即便效果不好，运行得不完美，通过交叉验证来检验 阅读全文
posted @ 2018-01-21 15:19
橙子牛奶糖
阅读(342)
评论(0)
推荐(0)
浙公网安备 33010602011771号