1.3机器学习分类与性能度量

最新推荐文章于 2025-01-07 08:49:00 发布
原创 最新推荐文章于 2025-01-07 08:49:00 发布 · 176 阅读 · 0 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。

本文全面介绍了机器学习的主要分类，包括无监督学习、监督学习、强化学习等，详细解释了数据集划分、模型评估方法及常见度量指标。通过阅读本文，读者可以了解机器学习的基本流程，从数据预处理到模型选择，再到最终的性能评估。

机器学习分类

  • 无监督学习
    聚类和维度约减
  • 监督学习
    分类和回归
  • 强化学习

数据集

  • 训练集
  • 验证集
    验证多个模型，选最好的
  • 测试集

误差

  • 经验误差/训练误差
  • 泛化误差
    通常将测试误差作为其近似值

过拟合和欠拟合

评估方法

  • 留出法
  • 交叉验证法
  • 自助法

性能度量

混淆矩阵

在这里插入图片描述

  • 准确率
    Accuracy = (TP + TN) / (TP + FN + FP + TN)
  • 精确率
    Precision = TP / (TP + FP)
  • 召回率
    Recall = TP / (TN + FN)
F-score

在这里插入图片描述

ROC曲线

在这里插入图片描述

AUC

ROC曲线下的面积

PR曲线

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

机器学习分类问题中性能度量的方法
Whitesad的博客
08-29 1304
性能度量 性能度量的目的 对于训练出来的学习器，我们最关注的还是它的泛化能力。即在训练样本外的学习能力，性能度量就是为了衡量泛化能力而诞生的。 性能度量的方法 最简单的：我们采用错误率进行统计，那么对于一般的回归问题，我们可以直接采用均方误差来统计 E(f;D)=1m∑i=1m(f(xi)−yi)2 E(f;D)=\frac{1}{m}\sum_{i=1}^m(f(x_i)-y_i)^2 E(f;...
机器学习算法——分类任务
cjnn0710的博客
03-03 1679
1、决策树 2、随机森林 3、梯度提升树 4、逻辑回归 5、支持向量机SVM 6、K近邻 KNN 7、朴素贝叶斯 8、多层感知机 9、统一分类
【《机器学习》周志华学习笔记2.3.1】~模型评估与选择-性能度量-错误率与精度
王博（Kings）的博客
04-25 2347
【机器学习】：机器学习常见算法分类，算法优缺点汇总
不二的博客
06-27 1万+
目录 学习方式 监督式学习： 非监督式学习： 半监督式学习： 强化学习： 算法类似性 回归算法： 基于实例的算法 正则化方法 决策树学习 贝叶斯方法 基于核的算法 聚类算法 关联规则学习 人工神经网络 深度学习 降低维度算法 集成算法： 决策树 一、 决策树优点 二、决策树缺点 三、改进措施 三、应用领域 KNN算法 一、KNN算法的优点 ...
【理论 | 代码】机器学习分类与回归性能评估指标大全
青年有志
05-03 4859
MSEn1​i1∑n​wi​yi​−yi​​2nSSE​wi​为每个样本数据的权重系数，wi​> 0, 通常为 1范围∞，当预测值与真实值完全吻合时等于0，即完美模型；误差越大，该值越大。总而言之，值越小，机器学习网络模型越精确，相反，则越差。
机器学习KNN最邻近分类算法
weixin_45715405的博客
04-02 2539
KNN (K-Nearest Neighbor) 最邻近分类算法，其核心思想“近朱者赤，近墨者黑”，由你的邻居来推断你的类别。图中绿色圆归为哪一类？1、如果k=3，绿色圆归为红色三角形2、如果k=5，绿色圆归为蓝色正方形参考文章knn算法实现原理：为判断未知样本数据的类别，以所有已知样本数据作为参照物，计算未知样本数据与所有已知样本数据的距离，从中选取k个与已知样本距离最近的k个已知样本数据，根据少数服从多数投票法则，将未知样本与K个最邻近样本中所属类别占比较多的归为一类。
机器学习西瓜书习题参考
热门推荐
herosunly的博客
01-07 6万+
作为人工智能领域（AI）中文教材扛鼎之作，南京大学周志华教授所著的《机器学习》帮助无数AI从业者理清了机器学习的基本原理。在书中，周志华解释机器学习基本术语和问题时，贯穿全书用西瓜进行比喻讲解，因此该书也被读者们昵称为“西瓜书”。接下来我将详细介绍这本书的内容，文末会附上购买链接。叶翰嘉南京大学人工智能学院副教授、博士生导师。从事机器学习领域研究工作，入选全国高校计算机专业优秀教师奖励计划，获中国计算机学会优秀博士学位论文奖等荣誉。詹德川南京大学人工智能学院教授、博士生导师，南京大学科研院副院长。
【机器学习】梯度提升分类树GBDT
专注上位机开发、机器视觉、机器学习、嵌入式软硬件开发
12-21 1万+
梯度提升决策树（Gradient Boosting Decision Trees, GBDT）是一种强大的集成学习方法，广泛应用于分类、回归以及其他机器学习任务中。它通过迭代地构建一系列弱预测模型（通常是决策树），每个新的模型都试图纠正前一个模型的错误。GBDT的核心思想是利用梯度下降算法最小化损失函数，从而逐步优化整体模型的表现。为了使GBDT模型达到最佳性能，有几个关键参数需要仔细调整：目前有许多流行的机器学习框架提供了GBDT的实现，包括但不限于：由信息熵可以引出交叉熵！小明在学校玩王者荣耀被发现了，
机器学习基础 衡量模型性能指标
可喜~可乐的博客
12-21 1228
机器学习中的一些常见性能评估指标
机器学习——性能度量（PR曲线和ROC曲线）
m0_70744324的博客
10-11 4202
性能度量：衡量模型泛化能力的评价标准（反映了任务需求，在对比不同模型的能力时，使用不同的性能度量往往会导致不同的评判结果。模型的好坏，不仅取决于算法和数据，还决定于任务需求。P为precision即精准率（查准率），R为recall即召回率，所以P-R曲线是反映了准确率与召回率之间的关系。一般横坐标为recall，纵坐标为precision。ROC全称Receiver Operating Characteristic，即受试者工作特征，坐标图式的分析工具。
2020人工智能与机器学习创新峰会PPT汇总.zip
08-16
2020人工智能与机器学习创新峰会PPT汇总，24个专题共73份资料。供大家学习参考。 一、测试新趋势 业务数据监控从0-1脱敏 AI在游戏数值与平衡性分析中的应用 微众研发效能改进之数据度量体系 敏捷测试团队转型实践 ...
《机器学习by周志华》学习笔记-模型评估与选择-02模型性能度量
vanilla698的博客
02-29 656
本章主要对模型的性能指标错误率、精度（正确率）、查准率（准确率）、查全率（召回率）、F1指标、平衡点、ROC、AUC、代价敏感错误率、代价曲线、期望总体代价等做了详细的描述。
JAVA毕业设计含文档和代码springboot凉州区助农惠农服务平台
11-30
JAVA毕业设计含文档和代码springboot凉州区助农惠农服务平台
【四轴飞行器的位移控制】控制四轴飞行器的姿态和位置设计内环和外环PID控制回路（Simulink仿真实现）
11-30
【四轴飞行器的位移控制】控制四轴飞行器的姿态和位置设计内环和外环PID控制回路（Simulink仿真实现）内容概要：本文围绕四轴飞行器的位移控制展开，重点介绍如何通过设计内环和外环PID控制回路来实现对其姿态和位置的精确控制。外环负责根据期望位移生成姿态指令，内环则依据这些指令调节飞行器的实际姿态，从而实现稳定的位置跟踪。整个控制系统在Simulink环境中进行建模与仿真，便于验证控制策略的有效性与鲁棒性。文中详细阐述了四轴飞行器的动力学模型、控制结构设计原理以及PID参数整定方法，帮助读者深入理解飞行器控制的核心机制。; 适合人群：具备自动控制理论基础和Simulink仿真经验的高校学生、科研人员及从事无人机控制开发的工程师。; 使用场景及目标：①用于教学实践中帮助学生掌握多变量控制系统的设计方法；②为无人机姿态与位置控制系统的开发提供可复现的仿真框架；③支持进一步研究高级控制算法（如串级控制、自适应控制）在飞行器中的应用。; 阅读建议：建议读者结合Simulink模型同步操作，动手调试PID参数以观察系统响应变化，加深对内外环协同控制机制的理解，并可在此基础上拓展为非线性或智能控制策略的研究。
【嵌入式开发】Rust与C++互操作技术指南：基于FFI与bindgen的混合编程及渐进式迁移方案设计
11-30
内容概要：本文是一份关于在嵌入式环境中实现Rust与C++互操作的工程实践指南，系统介绍了如何将Rust逐步集成到现有的C/C++驱动框架中。内容涵盖互操作机制（如FFI、extern "C"、bindgen工具）、构建系统集成（Cargo与Make/CMake等）、内存与所有权管理、中断处理、调试测试流程及性能优化，并提供完整的实战案例——用Rust实现I2C传感器驱动并集成到C项目中。文章强调安全性、兼容性和渐进式迁移策略，附有大量可运行代码和常见问题解决方案。; 适合人群：具备一定嵌入式开发经验，熟悉C/C++，并希望引入Rust提升代码安全性的中高级工程师或技术团队；适合正在考虑语言迁移或模块重构的开发者； 使用场景及目标：①在现有C/C++项目中安全嵌入Rust模块，降低内存安全隐患；②实现高效跨语言调用，优化关键组件的可靠性与维护性；③通过bindgen自动化绑定、联合构建与调试，完成实际驱动开发与性能验证； 阅读建议：建议结合示例代码动手实践，重点关注FFI边界设计、内存安全规则和构建脚本配置，在真实嵌入式平台上进行调试与测试以掌握全流程。
zhongyanghan_Risk-prediction-of-credit-card-transaction-fraud-based-on-L
11-30
zhongyanghan_Risk-prediction-of-credit-card-transaction-fraud-based-on-L
Garfield-0927_JavaExperiment_34704_1763630740306.zip
11-30
Garfield-0927_JavaExperiment_34704_1763630740306
HEVC基本原理，变换、量化、熵编码、帧内预测、帧间预测以及环路滤波等模块 在HEVC中，几乎每个模块都引入了新的编码技术
最新发布
11-30
编码原理解析清楚，HEVC基本原理，变换、量化、熵编码、帧内预测、帧间预测以及环路滤波等模块。在HEVC中，几乎每个模块都引入了新的编码技术
基于MATLAB和Simulink开发的水箱液位控制系统仿真挑战项目_项目极简说明为使用MATLAB代码编写仿真环境挑战者需设计控制策略通过调节进水阀门开度来精确调节水箱液位高度.zip
11-30
基于MATLAB和Simulink开发的水箱液位控制系统仿真挑战项目_项目极简说明为使用MATLAB代码编写仿真环境挑战者需设计控制策略通过调节进水阀门开度来精确调节水箱液位高度.zip
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值