模型评估

爱吃泡芙的小白白

模型评估——acc、P、R、F值、交叉验证、K折交叉验证模型评估：对预测函数地预测精度的评估。多重回归：涉及三个及其以上的变量的回归问题。评估模型的方法：交叉验证：将数据集分成测试集和训练集，可以采用3：7或者2：8的比例方式进行划分，使用测试集进行对模型的评估，对测试数据计算测试数据的误差的平方，再取其平均值，也就是以前提及的均方差MSE（Mean Square Error，误差越小，精度越高）：

深度学习PyTorch之13种模型精度评估公式及调用方法深度学习pytorch之22种损失函数数学公式和代码定义深度学习pytorch之19种优化算法（optimizer）解析深度学习pytorch之4种归一化方法（Normalization）原理公式解析和参数使用深度学习pytorch之简单方法自定义9类卷积即插即用实时语义分割之BiSeNetv2（2020）结构原理解析及建筑物提取实践

让 LLM 来评判 | 选择 LLM 评估模型这是让 LLM 来评判系列文章的第一篇，敬请关注系列文章:评估模型 (Judge models) 是一种用于评估其他神经网络的神经网络。大多数情况下它们用来评估生成文本的质量。

机器学习（一）——基本概念、模型的评估与选择本文是基于西瓜书（第一、二章）的学习记录。提供了机器学习领域的基础知识和概念的概述、模型评估与选择等内容。西瓜书电子版：百度网盘分享链接

2.12 过拟合与欠拟合是什么？怎么解决？场景描述在模型评估与调整的过程中，我们往往会遇到“过拟合”或“欠拟合”的情况。如何有效地识别“过拟合”和“欠拟合”现象，并有针对性地进行模型调整，是不断改进机器学习模型的关键。特别是在实际项目中，采用多种方法、从多个角度降低“过拟合”和“欠拟合”的风险是算法工程师应当具备的领域知识。

小林打怪中

聚类算法（KMeans）模型评估方法（SSE、SC）及案例将相似的样本自动归到一个类别中，不同的相似度计算方法，会得到不同的聚类结果，常用欧式距离法；聚类算法的目的是在没有先验知识的情况下，自动发现数据集中的内在结构和模式。是无监督学习算法

【机器学习】模型常用评估指标向量的范数可以简单形象理解为向量的长度，或者向量到零点的距离，亦或是相应两个点之间的距离。因此范数通常会对应一个距离概念。