9、机器学习模型性能评估、参数选择与聚类算法详解

机器学习模型性能评估、参数选择与聚类算法详解

1. 模型性能评估与参数选择

在机器学习中，评估模型性能和选择合适的参数至关重要。下面将介绍使用不同库进行网格搜索算法以选择最佳超参数的示例。

1.1 Shogun 库示例

在实例化 CGridSearchModelSelection 对象后，使用 select_model() 方法搜索最佳参数值，再通过 apply_to_machine() 方法将这些参数应用到模型中。不过，Shogun 库不能保证模型在选择参数后处于使用最佳参数的训练状态，而是使用最后一组参数。因此，需要使用整个数据集重新训练模型以获得更好的性能，代码如下：

if (!model->train(x)) {
  std::cerr << "training failed\n";
}

最终训练完成后，模型即可进行评估。

1.2 Shark - ML 库示例

Shark - ML 库包含网格搜索算法的类，但没有多项式回归模型的实现，因此需要自行实现该模型。具体步骤如下：
1. 定义数据集分区 ：

const unsigned int num_folds = 5;
CVFolds<RegressionDataset> folds = createCVSameSize<