企业官网建设流程全解析

网站备案的是空间还是域名,青岛网站优化排名,手册设计,响应式wordpress文章目录 一、评估模型性能1. 混淆矩阵示例2. 常用评估指标 二、常见问题与解决1. 欠拟合#xff08;Underfitting#xff09;2. 过拟合#xff08;Overfitting#xff09;3. 正则化#xff08;Regularization#xff09;4. 数据标准化5. 交叉验证6. 类别不平衡处理 一、…文章目录一、评估模型性能1. 混淆矩阵示例2. 常用评估指标二、常见问题与解决1. 欠拟合Underfitting2. 过拟合Overfitting3. 正则化Regularization4. 数据标准化5. 交叉验证6. 类别不平衡处理一、评估模型性能在分类任务中我们通常使用混淆矩阵及其衍生指标来评估模型表现。1. 混淆矩阵示例假设我们对15个人进行是否患病的预测1患病0正常得到如下预测结果预测值11111000011101真实值01101100101010对应的混淆矩阵为预测值1预测值0真实值15 (TP)2 (FN)真实值04 (FP)4 (TN)2. 常用评估指标准确率Accuracy正确分类的比例Accuracy T P T N T P T N F P F N \text{Accuracy} \frac{TP TN}{TP TN FP FN}AccuracyTPTNFPFNTPTN​精确率Precision预测为正的样本中实际为正的比例Precision T P T P F P \text{Precision} \frac{TP}{TP FP}PrecisionTPFPTP​召回率Recall实际为正的样本中被正确预测的比例Recall T P T P F N \text{Recall} \frac{TP}{TP FN}RecallTPFNTP​F1分数F1-Score精确率和召回率的调和平均F 1 2 ⋅ Precision ⋅ Recall Precision Recall F_1 2 \cdot \frac{\text{Precision} \cdot \text{Recall}}{\text{Precision} \text{Recall}}F1​2⋅PrecisionRecallPrecision⋅Recall​二、常见问题与解决1. 欠拟合Underfitting模型没有充分学习到数据特征表现为在训练集和测试集上效果都不佳。通常由于模型过于简单或训练不足导致。2. 过拟合Overfitting模型在训练集上表现很好但在测试集上表现下降。常见原因包括过度追求训练集上的低损失或高准确率模型参数过于复杂例如特征过多3. 正则化Regularization为了防止过拟合我们可以在损失函数中加入正则化项约束模型参数的大小原始损失函数J ( θ ) 1 2 ∑ i 1 m ( y ( i ) − θ T X ( i ) ) 2 J(\theta) \frac{1}{2} \sum_{i1}^m (y^{(i)} - \theta^T X^{(i)})^2J(θ)21​∑i1m​(y(i)−θTX(i))2加入L2正则化后J ( θ ) 1 2 ∑ i 1 m ( y ( i ) − θ T X ( i ) ) 2 1 2 θ 2 J(\theta) \frac{1}{2} \sum_{i1}^m (y^{(i)} - \theta^T X^{(i)})^2 \frac{1}{2} \theta^2J(θ)21​∑i1m​(y(i)−θTX(i))221​θ24. 数据标准化为了提升模型收敛速度与稳定性常对特征进行标准化0~1标准化离差标准化y i x i − min ⁡ 1 ≤ j ≤ n { x j } max ⁡ 1 ≤ j ≤ n { x j } − min ⁡ 1 ≤ j ≤ n { x j } y_i \frac{x_i - \min_{1 \leq j \leq n} \{ x_j \}}{\max_{1 \leq j \leq n} \{ x_j \} - \min_{1 \leq j \leq n} \{ x_j \}}yi​max1≤j≤n​{xj​}−min1≤j≤n​{xj​}xi​−min1≤j≤n​{xj​}​Z标准化y i x i − x ‾ s y_i \frac{x_i - \overline{x}}{s}yi​sxi​−x​5. 交叉验证为了更稳健地评估模型常使用交叉验证方法如K折交叉验证将数据集分为K份依次用其中一份作为测试集其余作为训练集最后取平均性能。6. 类别不平衡处理当正负样本比例悬殊时可使用过采样技术如SMOTE算法通过合成少数类样本来平衡数据集。