一个算法，可以理解为一个数学公式，通常遇到的问题可以用x、y两个参数来解决，但随着问题的复杂度越来越大，可以将y=f(x1,x2,…,xN)，这便是一个多维线性方程。试想要解出这道题，是如何的复杂；思维转换下，我们要计算一个“大概”的公式（算法）去解决面临的复杂问题。
1、训练数据和测试数据准备；
在此阶段要对数据质量做校验，不能出现太大的偏差，这样通过训练数据测算出来的模型（算法）就没法通过测试数据的验收
2、训练过程的检验
@评价分类结果：
精准度-精准率（查准率）、召回率（查全率）、F1 Score、ROC曲线等
评价分类算法的问题——>分类的效果（全 and 准）
·F1 Score 是精准率和召回率的调和平均值。
·ROC曲线距离左上角越近，证明分类器效果越好。如果一条算法1的ROC曲线完全包含算法2，则可以断定性能算法1>算法2。这很好理解，此时任做一条 横线（纵线），任意相同TPR（FPR） 时，算法1的FPR更低（TPR更高），故显然更优。
一般在ROC曲线中，我们关注是曲线下面的面积， 称为AUC（Area Under Curve）。这个AUC是横轴范围（0,1 ），纵轴是（0,1）所以总面积是小于1的。
ROC和AUC的主要应用：比较两个模型哪个好？主要通过AUC能够直观看出来。
ROC曲线下方由梯形组成，矩形可以看成特征的梯形。因此，AUC的面积可以这样算：（上底+下底）* 高 / 2，曲线下面的面积可以由多个梯形面积叠加得到。AUC越大，分类器分类效果越好。
AUC = 1，是完美分类器，采用这个预测模型时，不管设定什么阈值都能得出完美预测。绝大多数预测的场合，不存在完美分类器。
0.5 < AUC < 1，优于随机猜测。这个分类器（模型）妥善设定阈值的话，能有预测价值。
AUC = 0.5，跟随机猜测一样，模型没有预测价值。
AUC < 0.5，比随机猜测还差；但只要总是反预测而行，就优于随机猜测。
@评价回归结果：
MSE（均方误差）、RMSE（均方根误差）、MAE（平均绝对误差）、R Squared
评价回归算法的问题——>评价误差的问题：
①直接算误差，MSE（均方误差）、RMSE（均方根误差）、MAE（平均绝对误差）
②转为0-1算误差，R Squared
·分类准确率，就是在01之间取值。但RMSE和MAE没有这样的性质，得到的误差。因此RMSE和MAE就有这样的局限性，比如我们在预测波士顿方差，RMSE值是4.9（万美元） 我们再去预测身高，可能得到的误差是10（厘米），我们不能说后者比前者更准确，因为二者的量纲根本就不是一类东西。
其实这种局限性，可以被解决。用一个新的指标R Squared。
R方这个指标为什么好呢？
对于分子来说，预测值和真实值之差的平方和，即使用我们的模型预测产生的错误。
对于分母来说，是均值和真实值之差的平方和，即认为“预测值=样本均值”这个模型（Baseline Model）所产生的错误。
我们使用Baseline模型产生的错误较多，我们使用自己的模型错误较少。因此用1减去较少的错误除以较多的错误，实际上是衡量了我们的模型拟合住数据的地方，即没有产生错误的相应指标。
我们根据上述分析，可以得到如下结论：
R^2 <= 1
R2越大也好，越大说明减数的分子小，错误率低；当我们预测模型不犯任何错误时，R2最大值1
当我们的模型等于基准模型时，R^2 = 0
如果R^2 < 0，说明我们学习到的模型还不如基准模型。此时，很有可能我们的数据不存在任何线性关系。
网友评论