位置: IT常识 - 正文

机器学习中的数学原理——模型评估与交叉验证

编辑:rootadmin
机器学习中的数学原理——模型评估与交叉验证

推荐整理分享机器学习中的数学原理——模型评估与交叉验证,希望有所帮助,仅作参考,欢迎阅读内容。

文章相关热门搜索词:,内容如对您有帮助,希望把文章链接给更多的朋友!

惭愧惭愧!机器学习中的数学原理这个专栏已经很久没有更新了!前段时间一直在学习深度学习,paddlepaddle,刷题专栏跟新了,这个专栏就被打入冷宫了。这个专栏名为白话机器学习中数学学习笔记,主要是用来分享一下我在 机器学习中的学习笔记及一些感悟,也希望对你的学习有帮助哦!感兴趣的小伙伴欢迎私信或者评论区留言!这一篇就更新一下《 白话机器学习中的数学——模型评估与交叉验证》!

文章目录一、什么是模型评估二、交叉验证2.1回归问题的交叉验证2.2分类问题的验证一、什么是模型评估

简单的讲,模型评估就是评估训练好的模型的好坏。

在进行回归和分类时,为了进行预测,我们定义了函数 fθ(x),然后根据训练数据求出了函数的参数 θ。也就是对目标函数进行微分,然后求出参数更新表达式的操作,当时我们求出参数更新表达式之后就结束了。 但是,其实我们真正想要的是通过预测函数得到预测值。以回归的那个例子来说,就是关于投入的广告费能带来多少点击量的预测值。所以我们希望 fθ(x)对未知数据 x 输出的预测值尽可能正确。那我们如何测量预测函数 fθ(x)的正确性,也就是精度呢?对于一个变量的问题,我可以用图直观的表示出来:

像多重回归这样的问题,变量增加后就不能在图上展示了,而且特意去画图也很麻烦。所以我们需要能够定量地表示机器学习模型的精度。接下来我们就要考虑评估模型的方法。

二、交叉验证

验证是指的在机器学习模型训练时对模型好坏程度的衡量。交叉验证就是一种常用的模型选择方法,使用部分数据集进行验证模型的有效性。

2.1回归问题的交叉验证

把获取的全部训练数据分成两份:一份用于测试,一份用于训练。然后用前者来评估模型。也就是说假如有 10 个训练数据,那么实际上会按照 5 个测试数据、5 个训练数据来分配它们,但是比起 5 : 5,大多数情况会采用 3 : 7 或者 2 : 8 这种训练数据更多的比例。 我们接下来用3 个用于测试、7 个用于训练。也就是说,关于点击量预测的回归问题,我们现在有 10 个数据,其中测试数据和训练数据是这样分配的:

机器学习中的数学原理——模型评估与交叉验证

右侧的 3 个是测试数据、左侧的 7 个是训练数据。首先,我们来考虑使用左侧这 7 个数据来训练参数的情况。用一次函数

fθ(x)=θ+θ1x∗f_{\boldsymbol{\theta}}(\boldsymbol{x})=\theta_0+\theta_1 x^*fθ​(x)=θ0​+θ1​x∗表示即可。先从一次函数开始考虑比较好。先不去管测试数据,只看那7个训练数据。一次拟合函数大概如下:

再考虑二次函数:

如果 fθ(x)是二次函数,那它基本上就是这个形状。但是这个函数“只有对训练数据才是正确的”,对于测试集的预测效果很差。也就是说如果只看训练数据,那么二次函数比一次函数拟合得更好。

但是,如果将测试数据也考虑进来,那么二次函数就完全不行了。要把测试数据当作未知数据来考虑。即使模型相同,如果训练数据过少,这种现象也会发生。那么在训练结束之后,我们还得像这样检查一下测试数据是否也拟合,但是如果变量增加,就不能画图了。就算能画图,也会很麻烦。 对于回归的情况,只要在训练好的模型上计算测试数据的误差的平方,再取其平均值就可以了。假设测试数据有 n 个,那么可以这样计算。

1n∑i=1n(y(i)−fθ(x(i)))2\frac{1}{n} \sum_{i=1}^n\left(y^{(i)}-f_{\boldsymbol{\theta}}\left(\boldsymbol{x}^{(i)}\right)\right)^2n1​∑i=1n​(y(i)−fθ​(x(i)))2 对于预测点击量的回归问题来说,y(i) 就是点击量,而 x(i) 是广告费或广告版面的大小,这个值被称为均方误差或者 MSE,全称 Mean Square Error。这个误差越小,精度就越高,模型也就越好。

回归的目标函数也是误差函数,这与为了让误差函数的值变小而更新参数时所做的事情是一样的!

2.2分类问题的验证

与回归的时候一样,我们先考虑数据的分配。 数据的分配方法不要太极端其实会更好”这一点与回归的时候也是一样的。假设在逻辑回归的情况下,θTx 是简单的一次函数,那么只根据训练数据进行训练后,决策边界应该是这样的: 但是假如θTx 更加复杂,可能就会像这样紧贴着训练数据进行分类: 可以看到可以对训练数据完美地进行分类,却完全忽视了测试数据。对于分类有别的指标。由于回归是连续值,所以可以从误差入手,但是在分类中我们必须要考虑分类的类别是否正确。在回归中要考虑的是答案不完全一致时的误差,而分类中要考虑的是答案是否正确。 我们对图像是横向的还是纵向的进行了分类,我们是根据图像为横向的概率来分类的。关于分类是否成功就会有下面 4 种情况:

图像是横向的,被正确分类了图像被分类为横向,但实际上不是横向的图像不是横向的,被正确分类了图像被分类为非横向,但实际上是横向的

把它整理到这样的表里: 设横向的情况为正、非横向的情况为负,那么一般来说,二分类的结果可以用这张表来表示: 分类结果为正的情况是 Positive、为负的情况是 Negative。分类成功为 True、分类失败为 False。我们可以使用表里的 4 个记号来计算分类的精度。精度的英文是 Accuracy,它的计算表达式是这样的: 它表示的是在整个数据集中,被正确分类的数据 TP 和 TN 所占的比例。假如 100 个数据中 80 个被正确地分类了,那么精度就是这样的: 用测试数据来计算这个值,值越高精度越高,也就意味着模型越好!

本文链接地址:https://www.jiuchutong.com/zhishi/299735.html 转载请保留说明!

上一篇:毕业设计-基于深度学习的交通标识识别-opencv(毕业设计基于Linux系统的NFS服务器搭建)

下一篇:【自动驾驶】模型预测控制(MPC)实现轨迹跟踪(自动驾驶 模块)

  • 个税手续费返还要交企业所得税吗
  • 空壳公司如何报税
  • 厂部管理人员薪酬计入什么费用
  • 预收预付科目是否已经取消
  • 其他应收款减值测试注意什么
  • 转入公司对公账户怎么办
  • 福利费的支出要求及标准
  • 所得税退税未办理可以注销吗?
  • 个体工商户的生产、经营所得
  • 出口退税征税
  • 增值税发票价格低于进项
  • 发票红冲退税是全额退吗
  • 计入资本公积的固定资产转出
  • 出现一窗式比对失败,该纳税人没有防伪税控比对信息!
  • 用于集体福利的进项税额转出
  • 购买小汽车增值税发票金额开错
  • 原材料损失计入
  • 处置固定资产简易计税怎么申报
  • 企业长期借款的利息,有可能计入的科目有( )
  • PadExe.exe - PadExe是什么进程 有什么用
  • vue3.0解决跨域
  • php在apache中有哪些工作方式
  • 史上最贵的微博
  • vue全家桶插件有哪些
  • 职工福利费包括奖金吗
  • php往数组中添加元素
  • php 图片上传
  • 固定资产进项抵扣新政策2021
  • redis php实例
  • canvas软件教程
  • php打包phar
  • 发票公司名字开错,需要更改红字发票上的名字吗
  • mybatis怎么用
  • Python变量中forain
  • 税率变了
  • 合伙股权退出机制
  • 织梦内容页模板修改
  • sql server递归查询
  • 常见的数据库管理系统有
  • 企业的净资产都有哪些
  • sqlserver2008数据库文件路径
  • sql查表结构语句
  • Mysql以utf8存储gbk输出的实现方法提供
  • macos mysql安装
  • 企业补缴税款如何申报
  • 预付账款如何结账
  • 缴纳的增值税怎么做账
  • 咨询企业发生的费用计入
  • 股权激励有几种形式
  • 小规模物业广告怎么写
  • 没有水电费发票可以入账吗
  • 财经网课 app
  • 外汇账户开立成功后,开户行应于
  • 2023年职工社保缴费标准一览表
  • 企业必须设立的账薄
  • 常见的账务处理程序主要有
  • win10打开qq堂
  • linux系统常用命令怎么记住
  • win7系统360浏览器自启动怎么关闭
  • centos挂载lun
  • win10系统哪款好
  • xp系统做完了进不去
  • 盘点十大最流行歌曲
  • vi编辑器的三种模式
  • win7 64位旗舰版电脑中如何让EditPlus软件在保存文件时不生成bak文件?
  • Bullet(Cocos2dx)之增加调试绘制PhysicsDraw3D
  • jquery开发
  • jquery 单页应用
  • 原生js import
  • ar现实增强设备
  • nodejs开发微信小程序
  • JavaScript+html5 canvas绘制的圆弧荡秋千效果完整实例
  • unity3d基础教程
  • jquery版本区别
  • js下拉菜单的制作方法
  • jq 判断元素是否存在
  • 有哪些推荐阅读的书
  • 登录上海电子税务局单位社保查询不到当月未交的
  • 湖南省水利建设基金
  • 自然人电子税务局
  • 免责声明:网站部分图片文字素材来源于网络,如有侵权,请及时告知,我们会第一时间删除,谢谢! 邮箱:opceo@qq.com

    鄂ICP备2023003026号

    网站地图: 企业信息 工商信息 财税知识 网络常识 编程技术

    友情链接: 武汉网站建设