性能度量-----机器学习

Lavender-csdn

于 2020-03-08 17:17:59 发布

阅读量1.5k

点赞数 1

分类专栏：机器学习文章标签：机器学习数据挖掘

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。

本文链接：https://blog.youkuaiyun.com/kidchildcsdn/article/details/104734748

版权

本文介绍了机器学习中用于评估模型性能的各种度量标准，包括均方误差、错误率与精度、查全率与查准率、ROC曲线与AUC以及代价敏感错误率。通过对这些度量的理解，可以帮助在不同任务中选择合适的评价模型泛化能力的标准。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

性能度量

对学习器的泛化性能进行评估，不仅需要有效可行的实验估计方法，还需要有衡量模型繁华能力的评价标准，这就是性能度量。在给定样例集 $D=\left\{\left(\boldsymbol{x}_{1}, y_{1}\right),\left(\boldsymbol{x}_{2}, y_{2}\right), \ldots,\left(\boldsymbol{x}_{m}, y_{m}\right)\right\}$ ，其中 $y_i$ 是示例 ${x}_{i}$ 的真实标记，要评估学习器 $f$ 的性能，就是要把学习器输出的结果 $f(x)$ 与真实标记 $y$ 进行比较。

1. 均方误差

在回归任务中最常用的性能度量是“均方误差”：

$E(f ; D)=\frac{1}{m} \sum_{i=1}^{m}\left(f\left(\boldsymbol{x}_{i}\right)-y_{i}\right)^{2}$

最低0.47元/天解锁文章

评论

被折叠的条评论为什么被折叠?

到【灌水乐园】发言

查看更多评论

添加红包

成就一亿技术人!

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。