三种评估机器学习模型

最新推荐文章于 2025-04-07 18:52:23 发布

原创

最新推荐文章于 2025-04-07 18:52:23 发布 · 538 阅读

0 ·

CC 4.0 BY-SA版权

本文介绍了评估机器学习模型的三种方法：简单验证集、测试集评估和k-fold交叉验证。通过随机打乱数据，选择部分作为验证集，其余用于训练，最后在独立的测试集上评估模型性能。对于复杂情况，尤其是小样本数据，k-fold验证能有效减少数据划分对结果的影响，其通过将数据分为k个部分，依次用每部分作为验证集，其余作为训练集，最后取平均得分作为最终评价。

评估模型归纳起来就是将数据分为训练、验证和测试三个部分

简单的坚持验证集
选一部分数据作为测试集，在剩余的数据上训练，最后在测试集上评估。

在这里插入图片描述

num_validation_samples = 10000
# Shuffling the data is usually appropriate
np.random.shuffle(data)
# Define the validation set
validation_data = data[:num_validation_samples]
data = [num_validation_samples:]
# Define the training set
training_data = data[:]
# Train a model on the training data
# and evaluate it on the validation data
model = get_model()
model.train(training_data)
validation_score = model.evaluate(validation_data)
# At this point you can tune your model,
# retrain it, evaluate it, tune it again...
# Once you have tuned your hyperparameters,
# is it common to train your final model from scratch
# on all non-test data available.
model = get_model()
model.train(np.concatenate([training_data,
 validation_data]))
test_score = model.evaluate(

最低0.47元/天解锁文章