| |
|
开发:
C++知识库
Java知识库
JavaScript
Python
PHP知识库
人工智能
区块链
大数据
移动开发
嵌入式
开发工具
数据结构与算法
开发测试
游戏开发
网络协议
系统运维
教程: HTML教程 CSS教程 JavaScript教程 Go语言教程 JQuery教程 VUE教程 VUE3教程 Bootstrap教程 SQL数据库教程 C语言教程 C++教程 Java教程 Python教程 Python3教程 C#教程 数码: 电脑 笔记本 显卡 显示器 固态硬盘 硬盘 耳机 手机 iphone vivo oppo 小米 华为 单反 装机 图拉丁 |
-> 人工智能 -> (机器学习周志华 西瓜书 南瓜书)吃瓜教程 Task01 -> 正文阅读 |
|
[人工智能](机器学习周志华 西瓜书 南瓜书)吃瓜教程 Task01 |
1.3 假设空间学习过程:在所有假设空间中搜索,为了使搜索结果与训练集一致,可以修改或删除假设。 那么西瓜的色泽、根蒂、敲声就是样本的属性/特征,假设空间就是由数据集属性/特征的所有值组成的空间。学习过程就是就是学习符合“好瓜”特征的值。 所有假设空间: 1.4 归纳偏好怎么判断哪一个瓜“更好”,是尽可能特殊,还是尽可能一般? 如果不选择偏好,模型无法判断更好,某个瓜时而是好瓜时而是坏瓜就没有意义了。 常用奥卡姆剃刀原则:“若有多个假设与观察一致,选择最简单的”。即曲线越平滑的,方程次数越小的。 但是可能出现,训练集外的数据更符合复杂的B模型而不是简单的A模型。传说中的No free lunch? 没有免费的午餐定理?若算法a在某些问题上比算法b好,那么必然存在另一些问题,在这些问题中b比a性能更优。没有单一的,通用的最佳机器学习算法,必须根据数据和背景知识来选择合适的机器学习模型。 误差公式:
公式解读: 其中,分类结果只有在不正确的时候,也就是h(x)≠f(x)的时候,指示函数Ⅱ(h(x)≠f(x))才为1。所以公式只会对分类不正确的概率求和。 2.1 经验误差与过拟合欠拟合易解决,改善学习能力即可,如决策树扩展分支、神经网络增加训练轮数等; 而过拟合只能缓解。 通过评估,选择泛化误差最小的模型,即最优模型(model selection). 用测试误差作为泛化误差的近似,而不是等同于泛化误差,所以文中假设测试集是独立同分布采样而得。于是为了采样合理,提到不同测试集划分方法,如“留出法” 、“交叉验证法” 和“自助法”。 训练集:用于训练模型 2.3 性能度量均方误差公式解读:m个预测值f(xi)与实际值yi误差的平方和的均值 SSE, Sum of squared errors (和方差): 预测数据和原始数据对应点误差的平方和(平方是为了忽略预测值-实际值差的正负号) 若SSE是正方形,那MSE就是平均大小的正方形: 2.3.1 错误率与精度错误率公式: 公式解读:
预
测
错
误
的
个
数
样
本
总
数
预测错误的个数 \over 样本总数
样本总数预测错误的个数? 精度公式: 公式解读: 预 测 正 确 的 个 数 样 本 总 数 预测正确的个数 \over 样本总数 样本总数预测正确的个数? = 1- 错误率 |
|
|
上一篇文章 下一篇文章 查看所有文章 |
|
开发:
C++知识库
Java知识库
JavaScript
Python
PHP知识库
人工智能
区块链
大数据
移动开发
嵌入式
开发工具
数据结构与算法
开发测试
游戏开发
网络协议
系统运维
教程: HTML教程 CSS教程 JavaScript教程 Go语言教程 JQuery教程 VUE教程 VUE3教程 Bootstrap教程 SQL数据库教程 C语言教程 C++教程 Java教程 Python教程 Python3教程 C#教程 数码: 电脑 笔记本 显卡 显示器 固态硬盘 硬盘 耳机 手机 iphone vivo oppo 小米 华为 单反 装机 图拉丁 |
360图书馆 购物 三丰科技 阅读网 日历 万年历 2025年2日历 | -2025/2/22 2:07:46- |
|
网站联系: qq:121756557 email:121756557@qq.com IT数码 |