机器学习基础理论

---

模型过拟合和模型欠拟合

过拟合Under Fitting(高方差high bias  ) ---- 很好的拟合训练样本，对新数据的预测准确性很差

欠拟合 Over Fitting (高偏差 high variance ) ---- 不能很好的拟合训练样本，对新数据的预测准确性不好

举例

import numpy  as np

n_dots = 20

x = np.linspace(0,1,n_dots)

y = np.sqrt(x) + 0.2*np.random.rand(n_dots) -  0.1

---

成本函数

成本是衡量模型与样本符合成度的指标。

成本函数 就是成本与模型参数的函数关系

模型训练的过程就是找出合适的模型参数，使得成本函数的值最小

---

模型准确性

测试数据集的成本是评估模型准确性的最直观的指标。

测试数据集的成本越小，模型预测出来的值与实际值差异越小，对新数据的预测准确幸就越好。 注意用来测试模型准确性的测试数据集，必须是模型没有“见过的”数据。

训练数据集和测试数据集一般按照8:2 或者7:3来划分

模型性能的不同表述方式

交叉验证数据集

---

学习曲线

画出学习曲线

过拟合和欠拟合的特征

---

算法模型性能优化

获取更多的训练数据

减少输入的特征数量

增加有价值的特征

增加多项式特征

---

查准率和召回率

---

F1 Score

---

我们的App：智安家

申明一下，只是学习笔记，只是学习笔记，只是学习笔记。

不要评论，不要评论，有问题可以18809445769@163.com。

喜欢文章不可以，喜欢小树姐很可以！