参考：
https://www.jianshu.com/p/310c9493b66d
https://blog.csdn.net/weixin_39445556/article/details/81416133
一、模型评估的方法
1、用代价函数(cost function)来对模型的优劣打分。例如：在线型回归中，表示方式可以有无限条直线。代价函数就是对每条线的优劣进行打分。“最佳路线”的代价最小。
2、交叉验证
image.png
image.png
2、Confusion Matrix-混淆矩阵
image.png
3、召回率和精确率
image.png
image.png
image.png
将Precision 和 Recall结合到一个称为F1 score 的指标,调和平均值给予低值更多权重。 因此，如果召回和精确度都很高，分类器将获得高F 1分数。
image.png
4、阈值对结果的影响
image.png
image.png
5、ROC评估
image.png
image.png
二、线性回归实验分析
1、线性回归方程实现
image.png
2、梯度下降
image.png
image.png
image.png
image.png
3、数据标准化
image.png
4、批量梯度下降、随机梯度下降和minibatch梯度下降
不同学习步长的批量梯度下降：
image.png
image.png
5、三中梯度下降策略的比较
image.png
三多项式回归
1、弯曲的拟合曲线
image.png
image.png
2、数据样本数量对结果的影响
image.png
3、纬度越高越复杂越过拟合
image.png
四、正则化
image.png
image.png
image.png
image.png
网友评论