1991年,有個(gè)荷蘭人他不喜歡花括號(hào),雖然他頭發(fā)也花,可他看到帶花括號(hào)的語(yǔ)言就感到頭暈?zāi)X脹,他不僅戴上了老花鏡而且還發(fā)明了python,語(yǔ)法選擇的靈感則來源于MontyPython(巨蟒劇團(tuán))和FlyingCircus(飛行馬戲團(tuán))
2018-08-16 閱讀全文>>真實(shí)結(jié)果的偏離程度,即刻畫了學(xué)習(xí)算法本身的擬合能力;方差(2 38)度量了同樣大小的訓(xùn)練集的變動(dòng)所導(dǎo)致的學(xué)習(xí)性能的變化,即刻畫了數(shù)據(jù)擾動(dòng)所造成的影響;
2018-08-16 閱讀全文>>對(duì)學(xué)習(xí)算法除了通過實(shí)驗(yàn)估計(jì)其泛化性能,人們往往還希望了解它“為什么”具有這樣的性能
2018-08-16 閱讀全文>>交叉驗(yàn)證t檢驗(yàn)和McNemar檢驗(yàn)都是在一個(gè)數(shù)據(jù)集上比較兩個(gè)算法的性能
2018-08-16 閱讀全文>>對(duì)兩個(gè)學(xué)習(xí)器A和B,若我們使用尼折交叉驗(yàn)證法得到的測(cè)試錯(cuò)誤率分別為e
2018-08-16 閱讀全文>>假設(shè)檢驗(yàn)中的“假設(shè)”是對(duì)學(xué)習(xí)器泛化錯(cuò)誤率分布的某種判斷或猜想
2018-08-16 閱讀全文>>統(tǒng)計(jì)假設(shè)檢驗(yàn)(hypothesis test)為我們進(jìn)行學(xué)習(xí)器性能比較提供了重要依據(jù),基于假設(shè)檢驗(yàn)結(jié)果我們可推斷出,若在測(cè)試集上觀察到學(xué)習(xí)器A比B好,則A的泛化性能是否在統(tǒng)計(jì)意義上優(yōu)于B,以及這個(gè)結(jié)論的把握有多大
2018-08-16 閱讀全文>>將ROC曲線上的每個(gè)點(diǎn)轉(zhuǎn)化為代價(jià)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(shè)了均等代價(jià)
2018-08-16 閱讀全文>>在現(xiàn)實(shí)任務(wù)中常會(huì)遇到這樣的情況:不同類型的錯(cuò)誤所造成的后果不同.例如在醫(yī)療診斷中,錯(cuò)誤地把患者診斷為健康人與錯(cuò)誤地把健康人診斷為患者,看起來都是犯了“一次錯(cuò)誤”
2018-08-16 閱讀全文>>現(xiàn)實(shí)任務(wù)中通常是利用有限個(gè)測(cè)試樣例來繪制ROC圖,此時(shí)僅能獲得有限個(gè)(真正例率,假正例率)坐標(biāo)對(duì),無法產(chǎn)生圖2 4(a)中的光滑ROC曲線,只能基于有限個(gè)測(cè)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>>錯(cuò)誤率和精度雖常用,但并不能滿足所有任務(wù)需求.以西瓜問題為例,假定瓜農(nóng)拉來一車西瓜,我們用訓(xùn)練好的模型對(duì)這些西瓜進(jìn)行判別,顯然,錯(cuò)誤率衡量了有多少比例的瓜被判別錯(cuò)誤.
2018-08-16 閱讀全文>>調(diào)參得好不好往往對(duì)最終模型性能有關(guān)鍵性影響.給定包含m個(gè)樣本的數(shù)據(jù)集D,在模型評(píng)估與選擇過程中由于需要留出一部分?jǐn)?shù)據(jù)進(jìn)行評(píng)估測(cè)試,事實(shí)上我們只使用了一部分?jǐn)?shù)據(jù)訓(xùn)練模型.
2018-08-16 閱讀全文>>大多數(shù)學(xué)習(xí)算法都有些參數(shù)(parameter)需要設(shè)定,參數(shù)配置不同,學(xué)得模型的性能往往有顯著差別.因此,在進(jìn)行模型評(píng)估與選擇時(shí),除了要對(duì)適用學(xué)習(xí)算法進(jìn)行選擇,還需對(duì)算法參數(shù)進(jìn)行設(shè)定,這就是通常所說的“參數(shù)調(diào)節(jié)”或簡(jiǎn)稱“調(diào)參”(parameter tuning)
2018-08-16 閱讀全文>>“自助法”(bootstrapping)是一個(gè)比較好的解決方案
2018-08-16 閱讀全文>>1841條 上一頁(yè) 1.. 53 54 55 56 57 ..123 下一頁(yè)