机器学习第三篇 模型评估(交叉验证)

  1. Sklearn:可以做数据预处理、分类、回归、聚类,不能做神经网络。
  2. 原始的工具包文档:
  3. scikit-learn: machine learning in Python --- scikit-learn 1.6.1 documentation
  4. 数据集:使用的是MNIST手写数字识别技术,大小为70000,数据类型为784个像素点。
  5. 模型评估方法有留一法、交叉验证法、自助法。
  6. 交叉验证:将数据集划分为K个大小相似的互斥子集,又称K折交叉验证,准确率为K次评估的平均值。
  7. Positove:正例;necative:负例。分类结果混淆矩阵(TP、FN、FP、TN)
  8. 查准率:TP/(TP+FP);查全率:TP/(TP+FN);
  9. ROC曲线全称是"受试者工作特征"曲线,纵轴为TPR(真正例率),横轴为FPR(假正例率)。

代码:

相关推荐
fsnine20 分钟前
深度学习——残差神经网路
人工智能·深度学习
荼蘼30 分钟前
迁移学习实战:基于 ResNet18 的食物分类
机器学习·分类·迁移学习
和鲸社区1 小时前
《斯坦福CS336》作业1开源,从0手搓大模型|代码复现+免环境配置
人工智能·python·深度学习·计算机视觉·语言模型·自然语言处理·nlp
fanstuck1 小时前
2025 年高教社杯全国大学生数学建模竞赛C 题 NIPT 的时点选择与胎儿的异常判定详解(一)
人工智能·目标检测·数学建模·数据挖掘·aigc
cxr8281 小时前
Claude Code PM 深度实战指南:AI驱动的GitHub项目管理与并行协作
人工智能·驱动开发·github
THMAIL1 小时前
深度学习从入门到精通 - LSTM与GRU深度剖析:破解长序列记忆遗忘困境
人工智能·python·深度学习·算法·机器学习·逻辑回归·lstm
Gyoku Mint2 小时前
NLP×第六卷:她给记忆加了筛子——LSTM与GRU的贴靠机制
人工智能·深度学习·神经网络·语言模型·自然语言处理·gru·lstm
悠哉悠哉愿意2 小时前
【数学建模学习笔记】机器学习分类:随机森林分类
学习·机器学习·数学建模
玉木子2 小时前
机器学习(七)决策树-分类
决策树·机器学习·分类
YF云飞2 小时前
数据仓库进化:Agent驱动数智化新范式
数据仓库·人工智能·ai