计算机科研杂货铺

即：user_id随机生成，user_id个位数为奇数且为美国用户的作为实验组，user_id个位数为偶数且为美国用户的作为对照组，对实验组施以推荐模型A，对对照组施以推荐模型B。（3）user_id随机生成，user_id个位数为奇数且为美国用户的作为实验组，user_id个位数为偶数的全体用户作为对照组，对实验组施以推荐模型A，对对照组施以推荐模型B。（1）user_id随机生成，user_id个位数为奇数的划分为实验组，个位数为偶数的划分为对照组，对实验组施以推荐模型A，对对照组施以推荐模型B。

验证集（validation dataset）：是模型训练过程中单独留出的样本集，它可以用于调整模型的超参数和用于对模型的能力进行初步评估。通常用来在模型迭代训练时，用以验证当前模型泛化能力（准确率，召回率等），以决定是否停止继续训练。在深度学习中，数据量较大，可以拿出很小的比例来当验证集和测试集（比例小但数据量可能仍然很大）。如：假设有100W条数据，只需要拿出1W条来当验证集，1W条来当测试集，就能很好地work了。就像是考试，考的题是平常都没有见过，考察学生举一反三的能力。

目录1.过拟合2.欠拟合3.过拟合和欠拟合图像4.降低过拟合风险的方法5.降低欠拟合风险的方法6.相关面试题1.过拟合定义：过拟合是指模型对于训练数据拟合呈过当的情况，反映到评估指标上，就是模型在训练集上的表现很好，但在测试集和新数据上的表现较差。2.欠拟合定义：欠拟合是指模型在训练和预测时表现都不好的情况，反映到评估指标上，就是模型在训练集和测试集上的表现都不好。3.过拟合和欠拟合图像4.降低过拟合风险的方法1）降低模型复杂度： 数据较少时，模型过于复杂是产生过拟合的主要因素。适当降低模型

Hard-Logistic函数是对Logistic函数的分段近似，并且可以取到端点的值。在某神经网络的隐层输出中，包含-1.5，那么该神经网络采用的激活函数不可能是（）在某神经网络的隐层输出中，包含0.75，那么该神经网络采用的激活函数可能是（）A.sigmoid函数（应该是特指的Logistic函数）的值域为(0, 1)Hard-Tanh函数是对Tanh函数的分段近似，并且可以取到端点的值。A.sigmoid函数（特指Logistic函数）的值域为(0, 1)B.tanh函数的值域为(-1, 1)

序号编码（Ordinal Encoding）通常用于处理类别间具有大小关系的数据。如成绩有“高、中、低”，并且存在“高>中>低”的关系，可以按照大小关系赋予数值ID：3，2，1。类别型特征主要指性别（男、女）、血型（A、B、O、AB）等只有在优先选项内取值的特征。在SVM、逻辑回归等模型中，类别型特征需要处理成数值型特征才能被使用。1）先将类别特征赋予一个数值型的唯一ID（十进制的整数）2）将每个类别特征对应的数值型的唯一ID转换成二进制。

目录一、TP / FN / FP / TN二、精确率Precision三、召回率Recall四、F1值(F1 score)一、TP / FN / FP / TN预测问题会有下列4种情况：TP / FN / FP / TN第一个字母（True/False）表示你的预测值是否正确，第二个字母（Positive/Negative）表示你的预测的结果是什么。通常，以关注的类作为“正类”，其他类为负类。在垃圾邮件检测中，“垃圾邮件”是正类，则“正常邮件”是负类。TP——True，Positive：预测正确&a

序言在模型评估的过程中，分类问题、排序问题、回归问题往往需要使用不同的指标进行评估。在诸多的评估指标中，大部分指标只能片面地反映模型的一部分性能。如果不能合理的运用评估指标，不仅不能发现模型本身的问题，而且会得出错误的结论。准确率的定义Accuracy = N(correct) / N(total)其中，N(correct) 为正确分类的样本数，N(total) 为总样本数。局限性准确率是分类问题最简单也是最直接的评价标准，但存在明显的缺陷。如：当负样本数占99%时，分类器把所有样本都预测为负样