机器学习算法思想与实践 课件 第3章-回归的性能度量_第1页
机器学习算法思想与实践 课件 第3章-回归的性能度量_第2页
机器学习算法思想与实践 课件 第3章-回归的性能度量_第3页
机器学习算法思想与实践 课件 第3章-回归的性能度量_第4页
机器学习算法思想与实践 课件 第3章-回归的性能度量_第5页
已阅读5页，还剩15页未读， 继续免费阅读

下载本文档

版权说明：本文档由用户提供并上传，收益归属内容提供方，若内容存在侵权，请进行举报或认领

文档简介

性能度量《机器学习算法思想》

回归的性能度量分类的输出通常为若干确定的类别标签之一，而回归通常输出一个实数数值，回归问题也需要有相应的评价或者度量方法。常用的度量回归问题的方法包括平均绝对误差（meanabsoluteerror,MAE）、均方误差（meansquarederror,MSE）、均方根误差（rootmeansquarederror,RMSE）、logistic回归损失（Logloss，又称交叉熵损失（cross-entropyloss））、R方值、确定系数（r2_score）等。平均绝对误差（MAE）平均绝对误差（MAE）均方误差（MSE）均方误差案例3-7：假设模型预测某日下雨的概率为p，p通常是在0~1之间的实数数值，因为此时只是预测某一天是否下雨（如表3-4所示）。（1）预测下雨的概率为100%，且真实情况是下雨，此时MSE=0，均方差最小，预测模型很完美；（2）预测下雨的概率为100%，但真实情况是没下雨。此时MSE=1，均方差最大，预测模型糟糕；（3）预测下雨的概率比较大，比如说为70%，且真实情况是下雨了，则MSE=0.09，误差相对较小；（4）如果预测下雨的概率为30%，且真实情况是下雨了，则MSE=0.49，此时的误差相对较大。综合以上情况可见，MSE的值越小，则预测模型的性能越好。均方误差其中，GroundTruth（地面真实值或基准真实值）是一个跨学科术语，核心含义是作为基准的真实数据或标签，用于验证模型、算法或测量结果的准确性。均方误差均方根误差RMSE均方根误差R-squaredR-squared案例3-8：某城市研究团队收集了过去一年内每月的广告投入（单位：万元，记为X）和相应月份的产品销售额（单位：万元，记为Y）数据，见表3-5。他们建立了一个简单的线性回归模型来预测销售额，现在，他们想用RMSE和R²来评估该模型的预测性能。R-squaredlogistic回归损失logistic回归损失常用于评价逻辑回归LR和神经网络等模型，这些内容后面会介绍，这里先看看如何用logistic回归来评价二类分类问题。

假设某样本的真实标签为y（取值为0或1），概率估计为p=pr(y=1)，每个样本的logloss是对分类器给定真实标签的负log似然估计（negativelog-likelihood）：logistic回归损失案例3-9：有4个测试样本，y_true是这4个样本的真实标签列表，y_pred是这4个样本的预测值，y_pred的列表中每个样本元素有两个数值，分别表示该样本属于不同类标签的预测概率，加起来应该为1。比如第1个样本的两个元素0.9和0.1，表示有90%的概率属于标签0，属于标签1的概率为0.1。y_true=[0,

0,

1,

1]，y_pred=[[0.9,0.1],[0.8,0.2],[0.3,0.7],[0.01,0.99]]，计算该模型的Logloss。logistic回归损失logistic回归损失案例3-10：有6个

人人文库> 全部分类> 教育资料 > 课件下载

温馨提示

  • 1. 本站所有资源如无特殊说明，都需要本地电脑安装OFFICE2007和PDF阅读器。图纸软件为CAD,CAXA,PROE,UG,SolidWorks等.压缩文件请下载最新的WinRAR软件解压。
  • 2. 本站的文档不包含任何第三方提供的附件图纸等，如果需要附件，请联系上传者。文件的所有权益归上传用户所有。
  • 3. 本站RAR压缩包中若带图纸，网页内容里面会有图纸预览，若没有图纸预览就没有图纸。
  • 4. 未经权益所有人同意不得将文件中的内容挪作商业或盈利用途。
  • 5. 人人文库网仅提供信息存储空间，仅对用户上传内容的表现方式做保护处理，对用户上传分享的文档内容本身不做任何修改或编辑，并不能对任何下载内容负责。
  • 6. 下载文件中如有侵权或不适当内容，请与我们联系，我们立即纠正。
  • 7. 本站不保证下载资源的准确性、安全性和完整性, 同时也不承担用户因使用这些下载资源对自己和他人造成任何形式的伤害或损失。

最新文档

评论

0/150

提交评论