本文探讨了模型评估的三大核心标准：生成优质模型的准确性、稳定性和推广性；使用便利性，包括模型的适用性、预测能力及算法切换的灵活性；特征选择的重要性。同时，文章详细介绍了回归、分类和聚类问题的多种算法，如神经网络、逻辑回归、SVM等，为读者提供了全面的模型分类指南。
一般来说，建模是循环做的。
一、模型的衡量标准
1、generating a good model
准确性Accurate
稳定性stable
对同一个样本的预测值是唯一的，稳定的
推广性general
建模使用的数据决定了模型的推广性。
2、Ease of Use 是否好用
generate a fit
measure accuracy
分类：混淆矩阵，ROC、AUC；
回归：均方差；
make predictions
预测
switch algorithm
神经网络一组模型，可以自己设计出一套模型
share results
模型的可解释性
3、Feature selection
变量的筛选，过滤无关变量，保证模型的效果
uncorelated predictor：
corelated predictor：
二、模型分类：
1、回归问题
得到一个数字（x,y）
多元线性回归
多元非线性回归
广义线性回归模型
（eg 逻辑回归，不满足线性回归条件，但是很解决。y值不连续）
神经网络***
曲线拟合
2、分类问题
得到一个类别 (x,y)
神经网络
逻辑回归
（逻辑回归得到一个概率值，可以用作分类。判断阈值可以根据业务条件进行设置）
判别分析
朴素贝叶斯分类
SVM
决策树
组合算法
3、聚类问题
得到一推样本 (x) 将样本聚成几堆，不清楚什么是y
扫一扫
4661
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
