摘要： 类别不均衡问题就是不同类别的样本数差别很大，很容易理解，不再赘述。 这种情况会导致模型的误判，比如2分类，正例998，反例2，那么即使我们所有的样本都识别为正例，正确率高达99.8%，然而并没有什么卵用。 对于类别不均衡问题，大体上主要有两种，即以数据为中心驱动和以算法为中心的解决方案。 数据策略 阅读全文

摘要： 验证曲线是调节学习器的参数的，学习曲线是用来调节训练样本大小的。 从理论上来讲，如果数据“同质”，当数据量到达一定程度时，学习器可以学到所有的“特征”，继续增加样本没有作用。 那么到底多少样本是合适的呢？ 做个实验 逐渐增大训练样本量，同时判断训练集和测试集的准确率，看看会发生什么 1. 首先从训练 阅读全文

摘要： 通过验证一个学习器在训练集和测试集上的表现，来确定模型是否合适，参数是否合适。 如果训练集和测试集得分都很低，说明学习器不合适。 如果训练集得分高，测试集得分低，模型过拟合，训练集得分低，测试集得分高，不太可能。 示例代码 输出 参数gamma的调节 很小时，训练集和测试集得分都低，欠拟合 增大时， 阅读全文

摘要： 网格搜索 对给定参数进行组合，用某标准进行评价，只适合小数据集 参数 estimator：一个学习器对象，它必须有.fit方法用于学习，.predict方法用于预测，.score方法用于评分 param_grid：字典或者字典的列表，每个字典是学习器的一个参数，key是参数名，value是备选参数序 阅读全文

摘要： 我们知道训练模型时经常会有一些误差，我们要想弥补这些误差，首先要搞清楚这些误差是怎么产生的。 误差的分解 假设我们要预测的模型为 y=f(x)，但是通常数据都会有一些噪音，我们的数据集为y=f(x)+noise，通常我们会假设数据服从正态分布，也就是噪音会均分分布在曲线两侧，所以噪音和为0。 假设有 阅读全文