6、机器学习中的回归与分类模型

机器学习中的回归与分类模型

1. 交叉验证与回归模型评估

在机器学习中，交叉验证是一种重要的技术。使用交叉验证时，可以将整个数据集用于模型训练，而非仅使用训练子集。这对于小数据集尤为重要，因为可以充分利用有限的数据。不过，若有专门预留的测试数据，用其对模型进行评分依然很有价值，毕竟只有让模型对未训练过的数据做出响应，才能真正了解其准确性。

一般而言，小数据集适合使用交叉验证，而大数据集则更适合采用训练/测试分割的方法。数据集越大，对数据分割方式的敏感度越低。

对于回归模型，评估其准确性常用的指标是决定系数（Coefficient of Determination），也称为R平方得分（R-squared score），简称为R²。R²通常取值在0到1之间（特殊情况下可能为负），它量化了输入变量能够解释的输出方差。例如，R²得分为0.8意味着模型在预测时平均约有80%的准确率，误差在20%以内。R²得分越高，模型越准确。此外，还有均方误差（Mean Squared Error, MSE）和平均绝对误差（Mean Absolute Error, MAE）等评估指标，但这些指标的意义依赖于输出值的范围，而R²是一个独立于范围的单一数值。

2. 使用回归模型预测出租车费用

2.1 问题背景

假设你在一家出租车公司工作，客户的一大抱怨是在行程结束前不知道费用是多少，因为距离并非决定费用的唯一因素。为解决这个问题，你打算开发一款移动应用，让客户上车时就能估算费用。为此，你将利用公司多年来收集的大量费用数据构建机器学习模型。

2.2 数据准备

2.2.1 加载数据