CoderOverflow
GitHub
parent
2186ee5ba7
commit
6c2e85bd2f
|
|
@ -1271,7 +1271,7 @@ TPR = TP/(TP+FN) = 0.5； FPR = FP/(TN+FP) = 0；
|
|||
|
||||
计算上图的AUC为0.88与计算正例与排在负例前面的概率0.6 × 1 + 0.2 × 0.8 + 0.2 × 0.6 = 0.88相等，左上角阴影部分的面积是负例排在正例前面的概率0.2 × 0.2 × 3 = 0.12。
|
||||
|
||||
### 2.16.18 代价敏感错误率与代价曲线
|
||||
### 2.16.17 代价敏感错误率与代价曲线
|
||||
|
||||
不同的错误会产生不同代价。以二分法为例，设置代价矩阵如下：
|
||||
|
||||
|
|
@ -1311,13 +1311,13 @@ $$
|
|||
|
||||
|
||||
|
||||
### 2.16.19 模型有哪些比较检验方法
|
||||
### 2.16.18 模型有哪些比较检验方法
|
||||
正确性分析：模型稳定性分析，稳健性分析，收敛性分析，变化趋势分析，极值分析等。
|
||||
有效性分析：误差分析，参数敏感性分析，模型对比检验等。
|
||||
有用性分析：关键数据求解，极值点，拐点，变化趋势分析，用数据验证动态模拟等。
|
||||
高效性分析：时空复杂度分析与现有进行比较等。
|
||||
|
||||
### 2.16.21 为什么使用标准差？
|
||||
### 2.16.19 为什么使用标准差？
|
||||
|
||||
方差公式为：$S^2_{N}=\frac{1}{N}\sum_{i=1}^{N}(x_{i}-\bar{x})^{2}$
|
||||
|
||||
|
|
@ -1332,13 +1332,13 @@ $$
|
|||
|
||||
3、在样本数据大致符合正态分布的情况下，标准差具有方便估算的特性：66.7%的数据点落在平均值前后1个标准差的范围内、95%的数据点落在平均值前后2个标准差的范围内，而99%的数据点将会落在平均值前后3个标准差的范围内。
|
||||
|
||||
### 2.16.25 类别不平衡产生原因？
|
||||
### 2.16.20 类别不平衡产生原因？
|
||||
类别不平衡（class-imbalance）是指分类任务中不同类别的训练样例数目差别很大的情况。
|
||||
|
||||
产生原因：
|
||||
|
||||
分类学习算法通常都会假设不同类别的训练样例数目基本相同。如果不同类别的训练样例数目差别很大，则会影响学习结果，测试结果变差。例如二分类问题中有998个反例，正例有2个，那学习方法只需返回一个永远将新样本预测为反例的分类器，就能达到99.8%的精度；然而这样的分类器没有价值。
|
||||
### 2.16.26 常见的类别不平衡问题解决方法
|
||||
### 2.16.21 常见的类别不平衡问题解决方法
|
||||
防止类别不平衡对学习造成的影响，在构建分类模型之前，需要对分类不平衡性问题进行处理。主要解决方法有：
|
||||
|
||||
1、扩大数据集
|
||||
|
|
|
|||
Loading…
Reference in New Issue