机器学习中的评估与媒体文本事件提取
1. 机器学习中的关键概念
1.1 纠错输出码(ECOC)
纠错输出码是一种集成学习技术,用于处理多类问题。它将多类问题分解为多个二元问题。具体操作如下:
- 假设集成中有 (T) 个模型,每个类首先被编码为长度为 (T) 的二进制字符串。
- 每个模型尝试将原始类的一个子集与其他所有类分开,例如一个模型学习区分“类 A”和“非类 A”。
- 预测后,通过 (T) 个模型得到长度为 (T) 的二进制字符串,与该二进制字符串汉明距离最近的类编码即为集成的最终决策。
1.2 错误率
错误率是衡量模型相对于真实模型预测误差程度的指标。在分类模型中,错误率 (P(\hat{X} \neq Y)),其中 (XY) 是联合分布,分类模型 (\hat{}) 是从 (X) 到 (Y) 的函数。其计算方式如下:
- 模型的错误率通常通过将其应用于已知类标签((Y) 值)的测试数据来评估或估计。
- 分类器在测试数据上的错误率可以计算为错误分类对象的数量除以总对象数量。
- 也可以应用平滑函数,如拉普拉斯估计或 (m) 估计。
- 错误率与准确率直接相关,错误率 ( = 1.0 - ) 准确率(以百分比表示时,错误率 ( = 100 - ) 准确率)。
- 回归模型的两种常见错误率度量是均方误差和平均绝对误差。
1.3 平方误差
平方误差是回归中常用的损失函数,是预测值与真实值之差的平方。
2. 学习算法的评估
2.1 评估的定义与动机
学习算法评
订阅专栏 解锁全文
482



被折叠的 条评论
为什么被折叠?



