机器学习基本概念

基本概念

1. 科学推理手段
   归纳：特殊到一般
   演绎：一般到特殊
2. 监督学习与无监督学习
   监督学习：有明确的答案。分类包括二分类和多分类。二分类就是正负；多分类要选择哪一种特征种类。
   分类离散，回归连续。
   无监督学习：没有明确的答案。聚类（cluster）
3. 预测
   测试样本
   泛化能力：可预测的范围。

模型评估与选择

1.一种训练集一种算法

1.1 经验误差与过拟合

• error rate ：E = a/m（m是样本数量，a是错误数量）
• accuracy 精度：1 - E
• error 误差：[Y - Y']

1.2 评估方法（训练集验证集与测试集）(如何获得测试结果？)

• 泛化能力：模型对没有见过的数据的预测能力。

• 一般把数据分成三份：训练集（60%），验证集（20%），测试集（20%）。
  用训练集训练出模型，然后用验证集验证模型，根据情况不断调整模型，选出其中最好的模型，记录最好的模型的各项选择，然后据此再用（训练集+验证集）数据训练出一个新模型，作为最终的模型，最后用测试集评估最终的模型。

• training set 训练集

• testing set 测试集
  测试集的保留方法：
  1）留出法：三七分 or 二八分；注意训练集和测试集同分布；多次随机划分，训练出多个模型，最后取平均值（平均值指什么？）
  2）K折交叉验证法：常用，数据分几份，分别进行测试，取测试结果的平均值。

• 每个样本点只有一次被划入训练集或测试集的机会。

• 适合小样本，数据量小的情况。大数据算力大。

  
  K折交叉验证图.png

3）自助法

• validation set 验证集：验证集为了调参。
  比如，三个参数，每个参数有5个候选值，那么对一个测试集or 训练集就有5^3 = 125个模型。
  流程：训练集训练，验证机看结果，调参，再验证集看结果，调完参数，再在测试集上看结果。

1.3 性能度量 (如何评估性能优劣？)

1.3.1 错误率与精度
1.3.2 查准率、查全率与F1
1.3.3 代价敏感错误率与代价曲线

2. 一种训练集多种算法

2.1 P-R图像
查全率（Recall）
查准率（Precision）
2.2 ROC与AUC

ROC曲线与AUC示意图.png

3. 多种训练集一种算法

3.1 代价敏感错误率与代价曲线

image.png

代价曲线：非均等代价下，直接反映出学习器的期望总体代价。

正例代价概率.png

3.2 偏差与方差

4. 测试集上的性能多大程度可保证真实性能 (如何判断实质差别？ )

4.1 比较检验

• 测试集上的性能与真正的泛化性能未必相同
• 测试机不同反映出来的性能不同
• 机器学习算法本身有一定的随机性，同一个测试集上多次运行，可能会有不同的结果
• 假设检验

4.1.1 一个测试集一种算法

4.1.2

参考资料：

1. k折交叉验证_tianguiyuyu的博客-CSDN博客_k折交叉验证
2. 训练集，验证集，测试集（以及为什么要使用验证集？）（Training Set, Validation Set, Test Set） - HuZihu - 博客园 (cnblogs.com)
3. 查全率（Recall），查准率（Precision），灵敏性（Sensitivity），特异性（Specificity），F1，PR曲线，ROC，AUC的应用场景 - HuZihu - 博客园 (cnblogs.com)
4. 分类模型的性能评价指标（Classification Model Performance Evaluation Metric） - HuZihu - 博客园 (cnblogs.com)
5. 代价敏感错误率与代价曲线lg23:59的博客-CSDN博客代价敏感错误率与代价曲线
6. 机器学习（周志华）第2.3.4节中，代价曲线的理解？ - 知乎 (zhihu.com)
7. 模型评估与选择（后篇）-代价曲线青雲-吾道乐途的博客-CSDN博客代价曲线
8. Paper: Cost curves: An improved method for visualizing classifier performance