数据分析系列--⑦RapidMiner模型评价(基于泰坦尼克号案例含数据集)

一、前提

二、模型评估

1.改造⑥

[2.Cross Validation算子说明](#2.Cross Validation算子说明)

[2.1Cross Validation 的作用](#2.1Cross Validation 的作用)

[2.1.1 模型评估](#2.1.1 模型评估)

[2.1.2 减少过拟合](#2.1.2 减少过拟合)

[2.1.3 数据利用](#2.1.3 数据利用)

[2.2 Cross Validation 的工作原理](#2.2 Cross Validation 的工作原理)

[2.2.1 数据分割](#2.2.1 数据分割)

[2.2.2 迭代训练与测试](#2.2.2 迭代训练与测试)

​​​​​​​ [2.2.3 结果汇总](#2.2.3 结果汇总)

​​​​​​​ [2.2.4 Cross Validation 的参数](#2.2.4 Cross Validation 的参数)

​​​​​​​ [2.2.5 Cross Validation 的流程](#2.2.5 Cross Validation 的流程)

​​​​​​​ [2.2.6 示例](#2.2.6 示例)

​​​​​​​ [2.2.7 总结](#2.2.7 总结)

[3 实践](#3 实践)

[4 结果说明](#4 结果说明)

​​​​​​​[5 决策依据](#5 决策依据)


一、前提

请确保已有第⑥小节中所完成的模型,没有可以点击数据分析系列--⑥RapidMiner构建决策树(泰坦尼克号案例含数据)

链接学习.

二、模型评估

1.改造⑥

⑥小节完成后的模型如下,复制粘贴保存为EvaluatingTheTitanicModel.

2.Cross Validation算子说明

在RapidMiner中,Cross Validation 又称为交叉验证 ,用于评估模型的性能和泛化能力 。它是一种统计方法 ,通过将数据集分成多个子集来训练和测试模型,从而减少过拟合评估偏差

2.1Cross Validation 的作用

2.1.1 模型评估
  • 交叉验证通过多次训练和测试模型,提供更可靠的性能评估(如准确率、精确率、召回率等)。

  • 与简单的训练-测试分割相比,交叉验证能更全面地反映模型的表现。

2.1.2 减少过拟合
  • 通过多次使用不同的训练和测试子集,交叉验证可以检测模型是否过拟合训练数据。
2.1.3 数据利用
  • 交叉验证充分利用所有数据,既用于训练也用于测试,适合数据量较少的情况。

2.2 Cross Validation 的工作原理

2.2.1 数据分割
  • 将数据集分成 \( k \) 个大小相似的子集(称为"折"或"folds")。

  • 例如,\( k=10 \) 表示 10 折交叉验证。

2.2.2 迭代训练与测试
  • 每次迭代中,选择一个子集作为测试集,其余 \( k-1 \) 个子集作为训练集。

  • 训练模型并在测试集上评估性能。

2.2.3 结果汇总
  • 所有迭代完成后,计算性能指标的平均值,作为模型的最终评估结果。
2.2.4 Cross Validation 的参数

在 RapidMiner 中,Cross Validation 算子有以下关键参数:

2.2.4.1 Number of folds(折数)

  • 决定将数据集分成多少个子集。常见值为 5 或 10。

2.2.4.2 Sampling type(采样类型)

  • 决定如何分割数据,例如分层采样(Stratified Sampling)可以保持类别分布。

2.2.4.3 Use local random seed(使用本地随机种子)

  • 控制数据分割的随机性,确保结果可重复。
2.2.5 Cross Validation 的流程

在 RapidMiner 中,Cross Validation 算子的典型流程如下:

  1. 将数据集连接到 Cross Validation 算子的输入端口。

  2. 在 Cross Validation 算子内部:

  • 将模型(如决策树、逻辑回归等)放入 Training 子流程。

  • 将性能评估算子(如 Performance)放入 Testing 子流程。

  1. 运行流程后,Cross Validation 会输出模型的平均性能指标。
2.2.6 示例

假设使用 5 折交叉验证评估决策树模型:

  1. 数据集被分成 5 个子集。

  2. 进行 5 次迭代:

  • 每次使用 4 个子集训练模型,1 个子集测试模型。
  1. 最终输出 5 次测试的平均准确率、F1 分数等。
2.2.7 总结

Cross Validation 算子的主要作用是:

  • 提供更可靠的模型性能评估。

  • 减少过拟合风险。

  • 充分利用数据,特别适合小数据集。

它是模型开发和评估中不可或缺的工具,帮助确保模型在实际应用中的稳定性和泛化能力。

3 实践

4 结果说明

这是一个混淆矩阵,根据混淆矩阵可知如下结果:

5 决策依据

Ending, congratulations, you're done.

相关推荐
葡萄城技术团队7 分钟前
从传统到创新:用报表插件重塑数据分析平台
信息可视化·数据挖掘·数据分析
悠哉悠哉愿意10 分钟前
【机器学习学习笔记】机器学习引言
笔记·学习·机器学习
TDengine (老段)31 分钟前
TDengine IDMP 5 个实测场景让监控变简单
大数据·数据库·物联网·ai·时序数据库·tdengine·涛思数据
阿Paul果奶ooo2 小时前
数据分析与数据挖掘
人工智能·数据挖掘·数据分析
nnerddboy2 小时前
预测模型及超参数:2.传统机器学习:PLS及其改进
人工智能·机器学习
钢铁男儿2 小时前
PyTorch 机器学习基础(机器学习一般流程)
人工智能·pytorch·机器学习
木头左3 小时前
利用机器学习优化Backtrader策略原理与实践
人工智能·机器学习
MicrosoftReactor12 小时前
技术速递|Model Context Protocol (MCP) 支持已上线 JetBrains、Eclipse 和 Xcode
ai·eclipse·copilot·xcode·mcp
boooo_hhh13 小时前
第41周——人脸图像生成
机器学习
鲸鱼240114 小时前
线性回归笔记
机器学习·平面·线性回归