分类模型：精确率（accuracy）、召回率、精确率、F值、ROC-AUC 回归模型：RMSE、MSE、MAE、SSE、R2、R2-Adjusted精确率（accuracy）：正确分类的样本/总预测样本数 Accuracy=（TP+TN）/(TP+TN+FP+FN)召回率：需召回所有真实情况为1的样本，实际按模型召回预测为1且真实的样本 （预测为1且真实的样本/所有真实为1的样本） Recall=
转载
2024-05-13 15:34:13
56阅读
1、拟合 拟合是指机器学习模型在训练的过程中，通过更新参数，使得模型不断契合可观测数据(训练集)的过程。欠拟合指的是模型在训练和预测表现都不好，往往由于模型过于简单,如图(a)所示。正常模型指的是模型在训练和预测表现都好，如图 (b)所示。过拟合是指由于模型过于复杂，模型在训练集上的表现很好，但在测试集上
转载
2024-09-26 12:13:09
39阅读
逻辑回归模型逻辑回归模型是一种分类模型，由条件概率分布P(Y|X) 表示，形式为参数化的逻辑分布，这里，随机变量X取值为实数，随机变量Y取值为1或0。在学习逻辑回归时大家总是将线性回归作比较，线性回归模型的输出一般是连续的，在线性回归模型中每一个输入x,都有一个对应的y输出。模型的定义域和值域都可以是[-∞, +∞]。但是逻辑回归输入可以是连续的[-∞, +∞],输出却一般是离散的，即只有有限个多
转载
2024-10-30 11:08:53
36阅读
car中的函数相比于R基础提供的评价模型拟合情况，car包中提供了大量函数，大大增强了拟合和评价回归模型的能力函数 目的qqplot() 分位数比较图durbinWatsonTest()对误差自相关性做Durbin-Watson检验crPlots() 成分与残差图
转载
2024-09-27 17:10:36
69阅读
其中，i是第几个样本，j是第几个特征 其中，alpha是步长（学习率），后边是方向The Data 我们将建立一个逻辑回归模型来预测一个学生是否被大学录取。假设你是一个大学系的管理员，你想根据两次考试的结果来决定每个申请人的录取机会。你有以前的申请人的历史数据，你可以用它作为逻辑回归的训练集。对于每一个培训例子，你有两个考试的申请人的分数和录取决定。为了做到这一点，
转载
2024-07-25 19:19:55
47阅读
在这篇文章中，我们将看到如何处理回归问题，以及如何通过使用特征转换、特征工程、聚类、增强算法等概念来提高机器学习模型的
原创
2024-05-18 19:30:43
202阅读
混淆矩阵True Positive(TP)：将正类预测为正类数True Negative(TN)：将负类预测为负类数False Positive(FP)：将负类预测为正类数False Negative(FN)：将正类预测为负类数准确率(accuracy)计算公式\[acc = \frac{TP + TN}{TP + TN + FP + FN}
\]解释
对于样本，模型对于正负预测的准确率。精确率（
回归模型评价体系SSE(误差平方和)：R-square(决定系数)Adjusted R-square：分类模型评价体系 一 ROC曲线和AUC值二 KS曲线三 GINI系数四 Lift , Gain
五 模型稳定度指标PSI1.回归模型评价体系回归模型的几个评价指标 对于回归模型效果的判断指标经过了几个过程，从SSE到R-square再到Ajusted R-square, 是一个完善的过程：SS
转载
2024-01-17 05:54:09
113阅读
第一章-机器学习概论引言机器学习( )这一学科诞生于人工智能的中，它是计算机的一种新的能力，不同于通常的任务，例如编写程序实现一个文件管理系统，或许你需要分层的分模块的去实现它，但它总还是可以使用确定的程序逻辑去表达的，机器学习面对的任务通常是需要收集分析大量来自生活（自然、社会）中的数据，换句话说，机器学习就是用数据编程。例如给一张图片，人依据经验能够很快判断出图中是否有一只猫，那么我们能否按照
1. 概述对于回归而言，模型性能的好坏主要体现在拟合的曲线与真实曲线的误差。主要的评价指标包括：拟合优度/R-Squared，校正决定系数(Adjusted R-square)，均方误差（MSE），均方根误差（RMSE），误差平方和(SSE)，平均绝对误差（MAE），平均绝对百分比误差(MAPE)。1. 均方误差（Mean Squared Error，MSE）：观测值与真值偏差的平方和与观测次数的
转载
2023-10-13 19:37:08
216阅读
文章目录前言一、实验准备二、实验内容三、实验注意事项四、实验源码五、实现结果总结 前言机器学习中线性回归模型也能解决许多问题，对大量的观测数据进行处理，从而得到比较符合事物内部规律的数学表达式。也就是说寻找到数据与数据之间的规律所在，从而就可以模拟出结果，也就是对结果进行预测。解决的就是通过已知的数据得到未知的结果。例如：对房价的预测、判断信用评价、电影票房预估等。今天就来分享一下线性回归模型的
转载
2024-05-07 11:02:21
109阅读
模型：将比较抽象的事物用比较形象的方式表现出来。 传统的瀑布模型V模型W模型敏捷测试模型传统的瀑布模型： > 最大的问题是测试工作后置，导致整个项目开发完成之后入如果发现比较重要的问题，修改的成本是非常巨大的。V模型: > 主要特点是将测试过程细化，分为了单元测试、集成测试、系统测试和验收测试四个不同的阶段、但是仍然是测试后置、没有解决风险问题。 
转载
2024-07-14 17:00:18
24阅读
1. L1和L2范式的区别使用L1正则化的模型建叫做Lasso回归，使用L2正则化的模型叫做Ridge回归（岭回归），即为L1正则化项,指权值向量中各个元素的绝对值之和。 即为L2正则化项指权值向量中各个元素的平方和然后再求平方根。L1范式是对应参数向量绝对值之和 L1范式具有稀疏性L1范式可以用来作为特征选择，并且可解释性较强L2范式是对应参数向量的平方和，再求平方根L2范式
作业1：含二次项/对数项模型的讨论我们想要探究婴儿出生的体重与何种因素相关，数据集为bwght2.dta，本次习题所使用的变量解释如下： 因变量： · bwght：婴儿出生体重自变量： · npvis：母亲产前检查次数 · mage：母亲年龄使用python进行实操并回答以下问题（1）：使用OLS估计方程输出报告表，并回答：自变量npvis的二次项是否显著？自变量npvis是否对因变量有显著影响？
转载
2024-08-12 13:57:27
55阅读
1.0模型评估指标1.1回归模型评估指标 回归模型任务目标是，使得预测值能尽量拟合实际值。常用性能度量方式：绝对误差均方误差1.1.1绝对误差 绝对误差即预测点与真实点之间的距离之差的绝对值1.1.2均方误差 均方误差即预测点与实际点之间距离之差的平方和均值1.2分类模型评估指标 分类模型的评估指标很多，不同评估指标的侧重点可能不同，有时不同的评估指标彼此之间甚至有可能相互冲突，精度和召
转载
2024-08-20 18:55:15
41阅读
线性回归算法梳理 学习内容 ：1. 机器学习的一些概念 有监督、无监督、泛化能力、过拟合欠拟合(方差和偏差以及各自解决办法)、交叉验证2. 线性回归的原理3. 线性回归损失函数、代价函数、目标函数4. 优化方法(梯度下降法、牛顿法、拟牛顿法等)5、线性回归的评估指标6、sklearn参数详解 机器学习的概念有监督和无监督有监督：数据有标签，过程通常是：在已知的训练数据（输入和对应的输出
如果你已经有了一堆数据，有了因变量和自变量，利用统计软件求出回归方程是非常简单的事情，这些软件虽然不懂得如何分辨你的数据应该用什么方法，但是一旦你确定了方法，他们的计算能力还是非常强大的，可以快速地给出你所需要的结果。但是即使有了回归方程，我们还有一个问题需要解决，那就是：你凭什么认为求出的这个方程是合理的？或者说，凭什么认为求出的方程式符合实际的？这就涉及到回归方程的评价问题。所谓回归方程的评价
转载
2023-12-21 13:41:34
41阅读
单元测试：单元测试是对软件中的基本组成单位进行的测试，如一个模块、一个过程等等。它是软件动态测试的最基本的部分，也是最重要的部分之一，其目的是检验软件基本组成单位的正确性。一个软件单元的正确性是相对于该单元的规约而言的。因此，单元测试以被测试单位的规约为基准。单元测试的主要方法有控制流测试、数据流测试、排错测试、分域测试等等。 集成测试：集成测试是在软件系统集成过程中所进行的测试，其主要目的是
转载
2024-03-27 15:56:59
34阅读
机器学习模型需要有量化的评估指标来评估哪些模型的效果更好。当我们训练完一个模型算法后，该如何评估模型算法的好坏呢？不同的算法任务适用哪些评估体系呢？哪种评估方式才能真实反馈实际的效果呢？试想一下，如果我们训练了一个二分类的模型，测试数据集有100张图像，正例10张，负例90张，那么只要每张图像模型都直接判断为负例准确率都有90%了，我们不能直接说该模型性能Accuracy准确率达到了90%，实际上
MegEngine 提供从训练到部署完整的量化支持，包括量化感知训练以及训练后量化，凭借“训练推理一体”的特性，MegEngine更能保证量化之后的模型与部署之后的效果一致。本文将简要介绍神经网络量化的原理，并与大家分享MegEngine量化方面的设计思路与实操教程。 背景近年来随着边缘计算和物联网的兴起与发展，许多移动终端（比如手机）成为了深度学习应用的承载平台，甚至出现了各式各样专用
