当前位置：首页 > news >正文

天津网站建设电话网页制作与设计调试分析

news 2025/12/24 0:42:11

天津网站建设电话,网页制作与设计调试分析,佛山网站建设公司如何组建,三亚北京网站建设☁️主页 Nowl #x1f525;专栏《机器学习实战》《机器学习》 #x1f4d1;君子坐而论道#xff0c;少年起而行之文章目录交叉验证保留交叉验证 k-折交叉验证留一交叉验证混淆矩阵精度与召回率介绍精度召回率区别使用代码偏差与方差介绍区… ☁️主页 Nowl 专栏《机器学习实战》《机器学习》君子坐而论道少年起而行之文章目录交叉验证保留交叉验证 k-折交叉验证留一交叉验证混淆矩阵精度与召回率介绍精度召回率区别使用代码偏差与方差介绍区别交叉验证保留交叉验证介绍将数据集划分为两部分训练集与测试集这也是简单任务中常用的方法其实没有很好地体现交叉验证的思想使用代码 # 导入库 from sklearn.model_selection import train_test_split# 划分训练集与测试集参数分别为总数据集测试集的比例 train, test train_test_split(data, test_size0.2) k-折交叉验证介绍将数据集划分为k个子集每次采用k-1个子集作为训练集剩下的一个作为测试集然后再重新选择使每一个子集都做一次测试集所以整个过程总共训练k次得到k组结果最后将这k组结果取平均得到最终结果这就是交叉验证的思想使用代码 # 导入库 from sklearn.model_selection import KFold from sklearn.model_selection import cross_val_score# 设置K值这里假设K5 k_fold KFold(n_splits5, shuffleTrue, random_state42)# 初始化模型这里以随机森林为例 model RandomForestClassifier()# 使用K折交叉验证 scores cross_val_score(model, X, y, cvk_fold) 留一交叉验证介绍与k折验证思想一致只是子集的数量和数据集的大小一样往往在数据集较小的时候使用这种方法混淆矩阵介绍在分类任务中我们可以用混淆矩阵来判断模型的性能混淆矩阵记录了A类被分为B类的次数以下是一个动物识别任务的混淆矩阵要知道cat被预测成了几次dog那么就查看混淆矩阵的第1行第2列使用代码 # 导入库 from sklearn.metrics import confusion_matrix# 打印混淆矩阵参数为真实结果与预测结果 print(confusion_matrix(y, y_pred)) 精度与召回率介绍要解释精度与召回率我们先定义几个量 TP模型预测为正且真实值为正的数量 FP模型预测为正且真实值为负的数量 FN模型预测为负且真实值为正的数量精度精度就是模型正确预测的正类在所有预测为正类中的比例召回率召回率就是模型正确预测的正类在所有正类中的比例区别可能还是有点混淆其实精度高就是宁愿不预测也不愿意预测错召回率高就是宁愿预测错也不愿意遗漏正类我们具体来看两个场景在地震预测中我们是要提高召回率还是精度显而易见召回率因为我们宁愿预测器错误地提醒我们也不愿意当地震来临时它不报警那么在食品检测中呢当然要提高精度因为我们宁愿健康的食品被误判为不合格也不愿意有不合格的食品进入市场召回率与精度两个指标不可兼得我们要根据具体任务做出取舍使用代码 # 导入库 from sklearn.metrics import precision_score, recall_score# 使用精度评估函数参数是真实结果与预测结果 print(precision_score(y, y_pred))# 使用召回率评估函数参数是真实结果与预测结果 print(recall_score(y, y_pred)) 偏差与方差介绍偏差衡量一个模型预测结果和真实值的差距偏差高往往代表模型欠拟合方差衡量模型在不同数据集上预测的差异方差高往往代表模型过拟合区别具有高偏差的模型对训练数据和新数据的表现都较差因为它们未能捕捉到数据的复杂性。具有高方差的模型在训练数据上可能表现得很好但对新数据的泛化能力差因为它们过于依赖于训练数据的细节。结语机器学习模型性能测量对于评估模型的质量、选择最佳模型、调整模型超参数以及在实际应用中预测新数据都具有重要意义。评估模型质量通过性能测量你可以了解模型在训练数据上的表现如何。这有助于判断模型是否足够复杂以捕捉数据中的模式同时又不过度拟合训练数据。选择最佳模型在比较不同模型时性能测量是选择最佳模型的关键因素。你可以通过比较模型在相同任务上的性能指标来确定哪个模型更适合你的问题。调整模型超参数通过观察模型在不同超参数设置下的性能你可以调整超参数以提高模型的性能。性能测量可以指导你在超参数搜索空间中寻找最佳设置。评估泛化能力模型在训练数据上表现良好并不一定意味着它在新数据上也能表现良好。性能测量帮助你评估模型的泛化能力即模型对未见过的数据的预测能力。支持业务决策在实际应用中模型的性能直接关系到业务的决策。例如在医疗领域一个精确的疾病预测模型可能影响患者的治疗计划。改进模型通过分析性能测量的结果你可以识别模型的弱点并采取相应的措施来改进模型例如增加训练数据、特征工程、选择更合适的模型等。

查看全文

http://www.pierceye.com/news/402125/