当前位置:   article > 正文

模型选择_模型选型的依据是什么

模型选型的依据是什么

1.引言

1.1模型

在这里插入图片描述

1.2 机器学习

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

2.模型选择的相关定理和原则

在这里插入图片描述

2.1没有免费的午餐定理(No Free Lunch,NFL)

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

2.2 丑小鸭定理(Ugly Ducking)

在这里插入图片描述

2.3 Occam剃刀原理(Occam’s Razor)

在这里插入图片描述
在这里插入图片描述

2.4 最小描述长度原理(Minimum Description Length,MDL)

在这里插入图片描述

3.模型选择的评价标准

在这里插入图片描述

3.1 统计检验方法

在这里插入图片描述

3.2 操作接收者特征曲线ROC

在这里插入图片描述
假设正类预测为正类数为TP
负类预测为负类TN
真阳性率=准确率=TP/TP+负类预测为正类
假阳性率=TN/TN+正类预测为负类

3.2 模型复杂度

在这里插入图片描述
在这里插入图片描述

4.分类器设计中的重采样技术

在这里插入图片描述

4.1 刀切法(Jackknife)-1949年Quenouille提出

在这里插入图片描述

4.2 自助法(Bootstrap)

在这里插入图片描述

4.3 保持方法(Holdout)

在这里插入图片描述

4.4 交叉验证(cross-validation)

在这里插入图片描述
在这里插入图片描述

5. 分类器集成概述

在这里插入图片描述
在这里插入图片描述

5.1 集成学习的有效条件

在这里插入图片描述

5.2集成学习的常用技术手段

在这里插入图片描述

5.3 分类器集成算法分类

在这里插入图片描述
在这里插入图片描述

6.Stacked Generalization(层叠泛化)

在这里插入图片描述
在这里插入图片描述

7.Bagging(装袋)

在这里插入图片描述
在这里插入图片描述

8.随机子空间

在这里插入图片描述
在这里插入图片描述

9. Adaboost

在这里插入图片描述

9.1 发展历程

在这里插入图片描述
在这里插入图片描述

9.2 处理分类问题的思想

在这里插入图片描述
在这里插入图片描述

9.3 Adaboost算法

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
有点像softmax。
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

9.4 Adaboost例子

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

9.5 理论解释

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

声明:本文内容由网友自发贡献,不代表【wpsshop博客】立场,版权归原作者所有,本站不承担相应法律责任。如您发现有侵权的内容,请联系我们。转载请注明出处:https://www.wpsshop.cn/w/Li_阴宅/article/detail/909047
推荐阅读
相关标签
  

闽ICP备14008679号