机器学习初学者——模型评估与选择

本文针对机器学习初学者,详细介绍了经验误差与过拟合的概念,并探讨了模型选择的重要性和不同评估方法。同时,文章还深入讨论了性能度量指标,帮助读者更好地理解和优化模型。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

一.经验误差与过拟合

1、错误率:
通常把分类错误的样本数占样本总数的比例称为错误率(Error rate)。
例如m个样本中有a个样本分类错误,则错误率E=a/m。相应的1-a/m 称为精度(accuracy),即精度=1-错误率。
2、误差:
1)我们把机器学习在训练集上的误差称为“训练误差”(training error)或“经验误差”(empirical error);
2)而在新样本集的误差称为“泛化误差(generalization error)。
显然我们要得到泛化误差小的学习器,然而很多情况下,我们并不能实现知道新样本是什么样的,实际能做的就是努力使经验误差最小化。
3、过拟合:
为了得到好的识别效果,我们希望能从训练样本中尽可能的学出适用于所有的样本的“普遍规律”。然而当学习器把训练样本学得“太好”的时候,很有可能把训练样本自身的一些特点当做了潜在新样本的特性,这样就会导致新样本的识别率减低,即泛华误差增大。这种现象称为“过拟合“(overfitting)。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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