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
09-18 959
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
05-12 952
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
静态场景下车辆检测：机器学习实现与性能评估
标签“机器学习方法 静态场景 测试车辆检测”是对文章内容的概括，强调了文章讨论的焦点是利用机器学习技术在静态场景中进行车辆检测的技术和方法。 ### 压缩包子文件知识点详细说明： 提到的压缩包子文件...
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