机器学习（周志华）学习笔记 - 性能度量（下）

最新推荐文章于 2024-09-09 14:44:05 发布
最新推荐文章于 2024-09-09 14:44:05 发布
阅读量157 收藏
点赞数

F1 度量   F1是基于查准率和查全率的调和平均。

 

 

《机器学习by周志华》学习笔记-模型评估与选择-02模型性能度量
vanilla698的博客
02-29 569
本章主要对模型的性能指标错误率、精度（正确率）、查准率（准确率）、查全率（召回率）、F1指标、平衡点、ROC、AUC、代价敏感错误率、代价曲线、期望总体代价等做了详细的描述。
《机器学习by周志华》学习笔记-模型评估与选择-03比较检验法
vanilla698的博客
03-21 1994
通过比较检验方法进行假设检验、交叉验证t检验、5✖️2交叉验证、卡方检验等方式比较学习器、模型、算法的性能。
【周志华机器学习】九、聚类
weixin_42301220的博客
04-08 2414
文章目录参考资料1. 基本概念1.1 距离度量1.2 性能度量1.2.1 外部指标1.2.2 内部指标 参考资料 Machine-learning-learning-notes LeeML-Notes ML-NLP 本博客是根据周志华的西瓜书和参考资料1、2、3所做的笔记，主要用于学习，非技术类博客，因此存在大量复制粘贴，请见谅。 如果本篇博客有后记部分，则该部分表示的是在书本原有的基础知识上，进行的知识点的扩充。 1. 基本概念 聚类是一种经典的无监督学习方法，无监督学习的目标是通过对无标记训
《机器学习》-周志华 第九章：聚类 读书笔记
虎哥的铲屎员
06-17 1379
文章目录9.聚类（clustering）9.1 聚类简介9.2 距离计算“距离度量”的基本性质不同属性的距离计算有序属性的距离表示无序属性的距离VDM(value difference metric)混合属性聚类中距离的使用9.3 k-means9.3.1k-means算法9.3.2 k-means++(改进算法)9.3.3 elkan k-means（改进算法）9.3.4 miniBatch k...
ML聚类：k均值、学习向量量化LVQ、EM/高斯混合GMM、DBSCAN密度聚类、AGNES层次聚类、BIRCH、谱聚类原理推导及实现
千寻的博客
03-03 3847
目录 1.聚类概念 2.聚类结果的“好坏”评价指标 2.1外部指标 2.2内部指标 2.3距离的计算 3聚类类算法 3.1 k均值算法 3.2LVQ学习向量量化算法 3.3 高斯混合GMM 3.3.1EM算法 3.3.2GMM中参数的求解 3.4 DBSCAN 密度聚类 3.5 AGNES层次聚类 3.6 BIRCH层次方法的平衡迭代规约和聚类（Balanced I...
聚类
weixin_43496455的博客
12-16 1455
聚类 聚类是一种无监督学习，它试图将数据集中的样本划分为若干个通常是不相交的子集，每个子集称为一个“簇”。 聚类的性能度量 聚类的性能度量又称为聚类“有效性指标”。聚类的期望结果是“簇内相似度”，且“簇间相似度”低。 聚类性能度量分为两类： 一类是将聚类结果与某个“参考模型”进行比较，称为“外部指标”； 另一类是直接考察聚类结果而不利用任何参考模型，称为“内部指标”。 外部指标 基于上式，有聚类...
机器学习问与答（七）：最近邻学习
qq_36149350的博客
04-19 1512
问题一： 还有哪些消极学习的机器学习算法？ KNN是使用最多的消极学习的机器学习算法。 此外还有： Case-based reasoning（案例推理）：是一种类比推理方法，它提供了一种近似人类思维模型的建造专家系统的新的方法学，这与人对自然问题的求解相一致。它强调这样的思想：人类在解决问题时，常常回忆过去积累下来的类似情况的处理，通过对过去类似情况处理的适当修改来解决新的问题。过去的类似情况及...
《机器学习by周志华》学习笔记-决策树-01决策树流程与划分规则
vanilla698的博客
05-10 1123
本书中的「决策树」有时指学习方法，有时指学得的树。
《机器学习by周志华》学习笔记-线性模型-01基本形式与线性回归
vanilla698的博客
04-11 970
给定由d个属性描述的示例x：其中每个属性的权重：其中xi是x在第i个属性上的值，线性模型试图学习一个通过属性线性作何来预测的函数，即：用向量形式写成：当w和b的参数学得之后，模型就可以确定。也叫「可理解性」
《机器学习》周志华西瓜书笔记
flashdesigner的博客
09-09 1835
导数（Derivative）是微积分中的一个核心概念，它描述了函数在某一点附近的变化率。具体来说，对于函数y=f(x)，在点x0处的导数定义为：这里，Δx是一个很小的增量，它表示x从x0​变化到x0​+Δx时，函数值f(x)的变化量与Δx之比的极限。如果这个极限存在，那么我们就说函数f(x)在点x0​处是可导的，并且称这个极限值为函数在点x0​处的导数，记作或，有时也简记为y′ 或 ​（当不特别指明x0​时）。导数的几何意义是函数图像在点x0。
[聚类一]之距离计算
faiculty
03-05 7574
距离计算 我们通常采用计算“距离”的方法来度量不同样本之间的相似性，进而判断该样本的大致类别。距离首先是一个几何概念，用dist(⋅,⋅)dist(⋅,⋅)\mathrm{dist}(\cdot,\cdot)表示，其中最为任熟悉的是二维和三维几何空间的欧几里德距离，随着数据维度的增大，距离在维数、幂次数等方面被推广了，距离被抽象为满足一些基本性质：  非负性：dist(xi,xj)≥0;(...
Python机器学习中的实用小操作(一)：数据清理篇 阿萨姆 2 个月前 0. 背景 很多朋友评论希望我共享答案和文章中提到的操作代码，比如生成相关性图谱等。为了方便大家，开始介绍一些虽然简单但很有用
周红伟讲AI
12-09 718
Python机器学习中的实用小操作(一)：数据清理篇 阿萨姆 2 个月前 0. 背景 很多朋友评论希望我共享答案和文章中提到的操作代码，比如生成相关性图谱等。为了方便大家，开始介绍一些虽然简单但很有用的小操作，并提供代码块。这些简单的代码块可以被重复利用，在替换数据后就可以直接运行。当然，文章只能介绍一些比较基本的方法，任何一个方向展开都能写厚厚一本书，望大家理解:) 有鉴于篇幅
度量距离的几种方法
qq_35470020的博客
02-10 1148
距离度量了两个特征向量xix_ixi​,xjx_jxj​的远近距离（或相似程度） 一、闵可夫斯基距离 公式如下： 1，欧氏距离（Eculidean Distance） 当p=2时，就是我们熟知的欧氏距离 欧式距离是在m维空间中两个点之间的真实距离 2，曼哈顿距离 当p=1时，成为曼哈顿距离 首先介绍一下曼哈顿，曼哈顿是一个极为繁华的街区，高楼林立，街道纵横，从A地点到达B地点没有直线路径...
我所知道的聚类
WEILING123的博客
04-26 994
0.什么是聚类 机器学习按照训练数据是否有标签（即是否已知预测结果）可分为有监督学习和无监督学习，例如我们熟知的集成学习、深度学习、贝叶斯分类器等都是有监督学习。由于人类的经验（数据标签）并非总是正确，所以无监督学习通过技术手段，在不做人为干预的情况下，让机器自己进行学习，可发现更多隐藏的规律，从而可能学习到数据更本质、更内涵的知识。此外，现实生活中，数据没有标签是常态，而对数据标注工作注定耗时费...
机器学习———聚类的性能度量指标与距离度量计算
xieedun9158的博客
08-14 2645
聚类，是无监督学习的代表，将数据集D划分成了若干个不相交的子集，称为簇，我们总体的目标是“簇间相似性越低越好，簇内相似性越高越好”。 1.性能度量指标——外部指标 外部指标：聚类结果与某个“参考模型”进行比较。 对数据集,假设通过聚类划分为，参考模型的划分为：,令和分别表示和的标记。则令 可以看出 Jaccard系数(JC)                        ...
SecureCRT.rar
最新发布
06-07
SecureCRT.rar
基于Matlab的多格式图像像素标记工具.zip
06-07
基于Matlab的多格式图像像素标记工具.zip
基于Vue和Node.js的实验室物资管理系统.zip
06-07
基于Vue和Node.js的实验室物资管理系统.zip
vue+SpringBoot 电商项目.zip
06-07
项目工程资源经过测试运行，功能上ok，可复现复刻，拿到资料包后可实现复刻出一样的项目，本人系统开发经验充足（全栈），有任何使用问题欢迎随时与我联系，我会努力及时为您解惑，提供帮助 【资源内容】：包含源码、工程文件等。资源质量优质，放心下载使用！可参考实现复现；设计报告也可借鉴此项目工程；该资源内项目代码都经过测试运行，功能ok 【项目价值】：可用在相关项目设计中，皆可应用在项目、毕业设计、课程设计、期末/期中/大作业、工程实训、大创等学科竞赛比赛、初期项目立项、学习/练手等方面，可借鉴此优质项目实现复刻，设计报告也可借鉴此项目，也可基于此项目来扩展开发出更多功能 【提供帮助】：有任何使用上的问题欢迎随时与我联系，及时抽时间努力解答解惑，提供帮助 【附带帮助】：若还需要相关开发工具、学习资料等，我会提供帮助，提供资料，鼓励学习进步 质量优质，放心下载使用。下载后请首先打开说明文件（如有）;项目工程可实现复现复刻，如果基础还行，也可在此程序基础上进行修改，以实现其它功能。供开源学习/技术交流/学习参考,勿用于商业用途,网络商品/电子资源资料具可复制性不支持退款。质量优质，放心下载使用。
机器学习周志华笔记期末考试
02-05
### 周志华《机器学习》书籍复习指南 为了有效准备期末考试，建议采用结构化的复习方法来理解周志华所著《机器学习》的核心概念。这本书籍涵盖了广泛的理论和技术细节，在复习过程中应当注重以下几个方面： #### 1. 掌握基础概念 确保对监督学习、无监督学习和支持向量机等基本术语的理解深入透彻[^1]。 #### 2. 关键算法详解 重点研究书中提到的关键算法，比如决策树、朴素贝叶斯分类器以及K近邻算法等。对于每种算法，不仅要了解其工作原理，还要熟悉如何应用这些算法解决实际问题。 #### 3. 数学推导的重要性 注意书中涉及的各种数学公式的推导过程，特别是概率论、线性代数和最优化方面的知识。这部分内容虽然可能较为抽象复杂，但对于构建坚实的理论基础至关重要。 #### 4. 实践练习不可或缺 通过编程实现一些简单的机器学习项目或实验可以帮助加深理解和记忆。尝试使用Python或其他工具包重现书本上的案例，并探索不同参数设置下模型性能的变化[^2]。 ```python from sklearn.datasets import load_iris from sklearn.model_selection import train_test_split from sklearn.neighbors import KNeighborsClassifier # 加载鸢尾花数据集 data = load_iris() X_train, X_test, y_train, y_test = train_test_split(data.data, data.target) # 创建并训练kNN分类器 clf = KNeighborsClassifier(n_neighbors=3).fit(X_train, y_train) print(f'Accuracy on test set: {clf.score(X_test, y_test):.2f}') ```
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
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。

余额充值