400-626-7377
-
Friedman檢驗與Nemenyi后續檢驗
交叉驗證t檢驗和McNemar檢驗都是在一個數據集上比較兩個算法的性能
2018-08-16 閱讀全文>> -
交叉驗證
對兩個學習器A和B，若我們使用尼折交叉驗證法得到的測試錯誤率分別為e
2018-08-16 閱讀全文>> -
假設檢驗中的“假設”是對學習器泛化錯誤率分布的某種判斷或猜想
假設檢驗中的“假設”是對學習器泛化錯誤率分布的某種判斷或猜想
2018-08-16 閱讀全文>> -
統計假設檢驗(hypothesis test)為我們進行學習器性能比較提供了重要依據
統計假設檢驗(hypothesis test)為我們進行學習器性能比較提供了重要依據，基于假設檢驗結果我們可推斷出，若在測試集上觀察到學習器A比B好，則A的泛化性能是否在統計意義上優于B，以及這個結論的把握有多大
2018-08-16 閱讀全文>> -
將ROC曲線上的每個點轉化為代價平面上的一條線段，然后取所有線段的下界
將ROC曲線上的每個點轉化為代價平面上的一條線段，然后取所有線段的下界
2018-08-16 閱讀全文>> -
回顧前面介紹的一些性能度量可看出，它們大都隱式地假設了均等代價
回顧前面介紹的一些性能度量可看出，它們大都隱式地假設了均等代價
2018-08-16 閱讀全文>> -
代價敏感錯誤率與代價曲線
在現實任務中常會遇到這樣的情況：不同類型的錯誤所造成的后果不同．例如在醫療診斷中，錯誤地把患者診斷為健康人與錯誤地把健康人診斷為患者，看起來都是犯了“一次錯誤”
2018-08-16 閱讀全文>> -
模型評估與選擇
現實任務中通常是利用有限個測試樣例來繪制ROC圖，此時僅能獲得有限個（真正例率，假正例率）坐標對，無法產生圖2 4(a)中的光滑ROC曲線，只能基于有限個測試樣例篆繪制出如圖2 4(b)所示的近似ROC曲線
2018-08-16 閱讀全文>> -
查準率、查全率與Fl
錯誤率和精度雖常用，但并不能滿足所有任務需求．以西瓜問題為例，假定瓜農拉來一車西瓜，我們用訓練好的模型對這些西瓜進行判別，顯然，錯誤率衡量了有多少比例的瓜被判別錯誤．
2018-08-16 閱讀全文>> -
調參得好不好往往對最終模型性能有關鍵性影響
調參得好不好往往對最終模型性能有關鍵性影響．給定包含m個樣本的數據集D，在模型評估與選擇過程中由于需要留出一部分數據進行評估測試，事實上我們只使用了一部分數據訓練模型．
2018-08-16 閱讀全文>> -
調參與最終模型
大多數學習算法都有些參數(parameter)需要設定，參數配置不同，學得模型的性能往往有顯著差別．因此，在進行模型評估與選擇時，除了要對適用學習算法進行選擇，還需對算法參數進行設定，這就是通常所說的“參數調節”或簡稱“調參”(parameter tuning)
2018-08-16 閱讀全文>> -
“自助法”(bootstrapping)是一個比較好的解決方案
“自助法”(bootstrapping)是一個比較好的解決方案
2018-08-16 閱讀全文>> -
留一法的估計結果也未必永遠比其他評估方法準確
留一法的估計結果也未必永遠比其他評估方法準確
2018-08-16 閱讀全文>> -
交叉驗證法
“交叉驗證法”(cross validation)先將數據集D劃分為尼、個大小相似的互斥子集，即D= Di u D2 u U Dk，DinDj=g(t≠j) 每個子集Di都盡可能保持數據分布的一致性，即從D中通過分層采樣得到
2018-08-16 閱讀全文>> -
一般要采用若干次隨機劃分、重復進行實驗評估后取平均值作為留出法的評估結果
一般要采用若干次隨機劃分、重復進行實驗評估后取平均值作為留出法的評估結果
2018-08-16 閱讀全文>>
1838條 上一頁 1.. 53 54 55 56 57 ..123 下一頁
-
全國報名服務熱線
400-626-7377
-
熱門課程咨詢
在線咨詢
-
微信公眾號
微信號：zpitedu
京ICP備13024721號-1
京公網安備11010602007294號 增值電信業務經營許可證：京B2-20201348 全國統一報名專線：400-626-7377