台大机器学习笔记(8)——Error Measure

最新推荐文章于 2024-09-18 14:23:56 发布
最新推荐文章于 2024-09-18 14:23:56 发布
阅读量809 收藏
点赞数
CC 4.0 BY-SA版权
分类专栏： 笔记 文章标签： 机器学习 错误评价
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.youkuaiyun.com/u010366427/article/details/51016948
本文探讨了在机器学习中如何处理噪声数据和概率目标，介绍了错误衡量方法，包括0/1错误和平方错误，以及它们对模型预测的影响。此外，还讨论了在错误代价不均衡时的加权分类策略，以优化算法性能。

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

8.1 Noise and Probabilistic Target

　　当存在噪声数据时，由于所得到的结果未必是真实的结果，因此模型不再是确定性函数h(x)，而是概率分布p(y|x)，损失函数也变成了y p(y│x)下y≠f(x)。可以认为p(y|x)给预测结果带来的不确定性是由噪声数据造成的。同时，过去的确定性函数h

最低0.47元/天 解锁文章

200万优质内容无限畅学
机器学习基石笔记(8)——Error Measure
LETFLY'S LAB
03-12 996
8.1 Noise and Probabilistic Target 　　当存在噪声数据时，由于所得到的结果未必是真实的结果，因此模型不再是确定性函数h(x)，而是概率分布p(y|x)，损失函数也变成了y p(y│x)下y≠f(x)。可以认为p(y|x)给预测结果带来的不确定性是由噪声数据造成的。同时，过去的确定性函数h(x)可以看做目标分布的特殊情况，即某一分类概率为1的情况。  　　例
机器学习学习笔记——1.1.1.4.4 Cost function formula（成本函数公式）
预见未来to50的专栏
09-18 919
只是为了提醒你一些记号，像这样的训练样本是由x^i，y^i定义的，其中y是目标。对于给定的输入x^i，函数f也为y做了一个预测值，它预测给y的值是y帽i，显示在这里。最后，如果w等于0.5且b等于1，则f of x是0.5乘以x加1，当x是0时，那么f of x等于b，即1，所以线在b处与垂直轴相交，即y截距。注意，如果我们有更多的训练样本，m更大，你的成本函数将计算出一个更大的数字。现在的问题是，你如何找到w和b的值，使得预测y帽i接近于许多或可能是所有训练样本x^i，y^i的真实目标y^i。
机器学习基石-08-2-Error Measure
hahahyahshsba的博客
11-05 570
error measure pointwise就是每次对一个点进行预测。classification指的是分类的方法，对或者错的判断。 pointwise error measure 在in-sample中，如果存在noisy就不能写成f(xn)要写成yn 在out-of-sample中，如果存在noisy就不能写成f(x)，这时的y是按照P抽取的不是确定的。
《机器学习基石》第8节课学习笔记
b2052269的博客
05-25 336
第8节课 Noise and Error 本节课主要学习了数据集有Noise的情况下，是否能够进行机器学习，并且介绍了假设空间H下演算法A的Error估计。本节课是对上一节知识的拓展和延伸，涉及到一点数学推导，不过基本上多为概述性的东西，相对起来比较好理解。 （一）引入noise 1.VC维理论：VC维是机器学习中一项重要的工具。 2.机器学习的流程： 3.引入no...
[台大机器学习笔记整理]noise and error measure以及在此基础上Learning flow的扩展
inabaraku的博客
07-15 740
在此前已经明确了superviesed learning的情况下的二分训练的原理。然而之前并没有考虑到噪声的影响，而在实际问题中是有噪声的。噪声有可能来自x方面，也可能来自y方面。存在噪声导致了可能实际有理想中的f(x)=y1，但我们收集到的数据集中会有f'(x)=y2。 依然以从bin中抽取球为例子，以下是有噪声时数据集中可能得到的结果 在hypothesis和x确定
李弘毅机器学习笔记：第三章—Error的来源
fly975247003的博客
09-17 301
李弘毅机器学习笔记：第三章—Error的来源 从上节课测试集数据来看，Average ErrorAverage\ ErrorAverage Error 随着模型复杂增加呈指数上升趋势。更复杂的模型并不能给测试集带来更好的效果，而这些 ErrorErrorError 的主要有两个来源，分别是 biasbiasbias 和 variancevariancevariance 。 然...
台湾大学林轩田机器学习基石笔记（红色石头）
07-05
台湾大学林轩田机器学习基石笔记（红色石头）
机器学习学习笔记——1.1.1.4.7 Visualization examples（可视化示例）
最新发布
预见未来to50的专栏
09-18 960
最后一个例子，如果你看左边的f(x)，这看起来是对训练集的一个相当不错的拟合。我希望通过查看这些图，你能更好地理解不同参数选择如何影响f(x)的线，以及这与成本j的不同值是如何对应的，希望你能看到更好的拟合线对应于j图上更接近最小可能成本的点。在这个视频之后的可选实验室中，你将运行一些代码，记住所有的代码都已给出，所以你只要按Shift Enter运行它并查看，实验室会向你展示如何在代码中实现成本函数。因为这条线不是一个好的拟合，如果你看j的图，这条线的成本在这里，离最小值相当远。让我们再看一个例子。
机器学习笔记之——模型评估与改进之评估指标与评分
前尘忆梦的博客
12-27 1360
评估指标与评分 到目前为止，我们使用精度（正确分类的样本所占的比例）来评估分类性能，使用 R2 来评估回归性能。但是，总结监督模型在给定数据集上的表现有多种方法，这两个指标只是其中两种。在实践中，这些评估指标可能不适用于你的应用。在选择模型与调参时，选择正确的指标是很重要的。 1、牢记最终目标 在选择指标时，你应该始终牢记机器学习应用的最终目标。在实践中，我们通常不仅对精确的预测感兴趣，还希望将这些预测结果用于更大的决策过程。在选择机器学习指标之前，你应该考虑应用的高级目标，这通常被称为商业指标（busin
VMD常用命令（转载）
Phd丨jay的博客
06-03 2万+
VMD的console是十分强大的，也提供了很多内置命令，这里把当年研究VMD内置命令的笔记的一小部分发上来。和user guide有相似之处，但是我都尽量写成例子的形式来说明，绝大部分都是亲自试过的。可能当时有些地方写的不准确，也不完整，但是现在也懒得check了。有疑问还是对照user guide中的严格说法。 *****一些额外内容*****VMD里面所有行为，都可以用命令描述出来。打开VM...
机器学习基石 8.2 Error Measure
一只小羊
09-13 424
Error Measure错误的衡量。Pointwise Error MeasureTwo Important Pointwise Error MeasuresIdeal Mini-Target在前一种方法中，取1.9时err=1.0，在第二种算法中取1.9实际上能让err达到最小值。第一种算法要取最大的P才能使err最小。 第二种算法中，err的最小值等于这几个数的加权平均值。Learning
VMD的相关命令（转载）
weixin_30783913的博客
05-04 3187
转载自：http://blog.sina.com.cn/s/blog_b48a7ac30102w6xg.html 自我学习总结： 1、打开VMD main上Extensions中的TkConsole这是VMD的控制命令区域。 2、围绕x轴旋转90：rotat x by 90 (或者rotat x to 90) 3、原子颜色设置+动力学键： 用fortran编写成lammps文...
【SVM最后一课】详解烧脑的Support Vector Regression
红色石头的专栏
05-12 953
AI有道一个有情怀的公众号1Kernel Ridge Regression首先回顾一下上节课介绍的Representer Theorem，对于任何包含正则项的L2-reg...
林轩田--机器学习技法--SVM笔记5--核逻辑回归(Kernel+Logistic+Regression)
rikichou的专栏
11-09 1298
林轩田--机器学习技法--SVM笔记5--核逻辑回归(Kernel+Logistic+Regression)
台湾大学林轩田机器学习基石课程学习笔记8 -- Noise and Error
红色石头的专栏
05-09 7634
我的优快云博客地址：红色石头的专栏 我的知乎主页：红色石头 我的微博：RedstoneWill的微博 我的GitHub：RedstoneWill的GitHub 我的微信公众号：红色石头的机器学习之路（ID：redstonewill） 欢迎大家关注我！共同学习，共同进步！ 上一节课，我们主要介绍了VC Dimension的概念。如果Hypotheses se...
机器学习基石笔记（八）：噪音和损失
the_harder_to_love的博客
04-25 1095
Lecture 8: Noise and Error 噪音和损失 噪音，概率目标，损失函数，以及带权重的模型
卡尔曼滤波应用及其matlab实现
Joey's Blog
02-11 14万+
线性卡尔曼滤波 卡尔曼滤波在温度测量中的应用 X(k)=A*X(k-1)+T*W(k-1) Z(k)=H*X(k)+V(k) 房间温度在25摄氏度左右，测量误差为正负0.5摄氏度，方差0.25，R=0.25。Q=0.01,A=1,T=1,H=1。 假定快时刻的温度值、测量值为23.9摄氏度，房间真实温度为24摄氏度，温度计在该时刻测量值为24.5摄氏度，偏差为0.4摄氏度。利用k-1...
机器学习：准确率(Precision)、召回率(Recall)、F值(F-Measure)、ROC曲线、PR曲线
热门推荐
小太阳~
04-26 30万+
以下第一部分内容转载自：机器学习算法中的准确率(Precision)、召回率(Recall)、F值(F-Measure)是怎么一回事摘要：数据挖掘、机器学习和推荐系统中的评测指标—准确率(Precision)、召回率(Recall)、F值(F-Measure)简介。 引言：在机器学习、数据挖掘、推荐系统完成建模之后，需要对模型的效果做评价。业内目前常常采用的评价指标有准确率(Precision)、召
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