如何评价模型的好坏（一）
二分类问题 多分类问题 连续变量问题 一、二分类问题 二分类模型最常见的模型评价指标有：ROC曲线，AUC，精准率-召回率，准确率，F1-score，混淆矩阵，等。 假设检验 案例分析：（酒驾检测）酒精浓度检测结果分布图。（绿色：正常司机酒精 ...
原文：训练模型和衡量模型的好坏
如果你看了前面几篇博客，我们说了决策树，说了adaboost，这次我们说下模型训练和衡量模型的好坏 其实我们已经训练了模型了，例如决策树的生成时模型训练，adaboost的实现也是模型训练的过程，所以我们已经训练了好几个模型，只是那个具体的模型，并且我们没有把模型保存下来 可能觉得自己不是在训练模型。 模型训练的输出是模型，什么是模型呢 我们生成的决策树是模型，adaboost的那几条加权直线也是 ...
2016-10-17 21:02 0 2241 推荐指数：
相关推荐
如何评估模型好坏
介绍 “所有模型都是坏的，但有些模型是有用的”。我们建立模型之后，接下来就要去评估模型，确定这个模型是否‘有用’。当你费尽全力去建立完模型后，你会发现仅仅就是一些单个的数值或单个的曲线去告诉你你的模型到底是否能够派上用场。 在实际情况 ...
如何评价模型的好坏（二）
二分类问题 多分类问题 连续变量问题 二、简单二分类问题的延伸 如果只是简单的二分类问题，只需要一个二分类的混淆矩阵即可对模型进行评估。但如果问题发生如下变化： 情况1：基于同一组数据集多次训练/测试不同的模型 情况2：基于多个数据集测试评估同一个模型 ...
如何评价模型的好坏（三）
二分类问题 多分类问题 连续变量问题 四、连续变量问题（回归） （1）距离 （2）残差 （3）残差平方和（SSE）： 真实值与预测值之间误差的平方和。 （3-1）均方根误差 ...
模型区分度衡量指标-KS值
1.KS值--学习器将正例和反例分开的能力，确定最好的“截断点” KS曲线和ROC曲线都用到了TPR，FPR。KS曲线是把TPR和FPR都作为纵坐标，而样本数作为横坐标。但是AUC只评价了模型的整体训练效果，并没有指出如何划分类别让预估的效果达到最好。不同之处在于，ks取的是TPR和FPR差值 ...
facenet模型训练
做下记录，脚本如下： 备注： 使用还是挺简单的，就是要注意下模型训练的参数设置问题： 1、图片太少的时候容易报错，代码里面有公式可以自己看看怎么设置合理 2、每个人放一个文件夹，一人多图，命名规则参照官方的例子 3、素材越多训练出来的模型准确度越高，即使有素材，分类 ...
训练模型：交叉验证
一.基本概述 用交叉验证的目的是为了得到可靠稳定的模型。 消除测试集与训练集选择的不好，导致训练的模型不好。 二.k折交叉验证 K折交叉验证，初始采样分割成K个子样本，一个单独的子样本被保留作为验证模型的数据，其他K-1个样本用来训练。交叉验证重复K次，每个子样本验证一次，平均K次 ...