机器学习面笔试-模型评估篇
1.衡量分类器的好坏 （1）常用的指标：查准率 precision , 召回率 recall （2）F1 score F1值： 2/F1 = 1/recall + 1/precision （3）ROC和AUC 2. P-R图 P-R图，即以查全率做横轴，查准率做纵轴的平面示意图，通过P-R曲线，来综合判断模型的性能。 P-R图的画法是先对对预测结果进行排序，排在前面的是学习器认为最可能是正例的样本
相关文章
- 1. 机器学习模型评估方法
- 2. python机器学习—— 模型评估
- 3. 机器学习 (五): 模型评估
- 4. 机器学习-模型评估
- 5. 如何评估机器学习模型？
- 6. 机器学习—模型评估
- 7. 机器学习之模型评估（一）
- 8. week6_机器学习模型评估
- 9. 机器学习之模型评估
- 10. 机器学习之模型评估（二）
- 更多相关文章...
- • ASP.NET MVC - 模型 - ASP.NET 教程
- • 您已经学习了 XML Schema，下一步学习什么呢？ - XML Schema 教程
- • Tomcat学习笔记（史上最全tomcat学习笔记）
- • Kotlin学习（二）基本类型
相关标签/搜索
每日一句
-
每一个你不满意的现在，都有一个你没有努力的曾经。
最新文章
欢迎关注本站公众号,获取更多信息
相关文章
- 1. 机器学习模型评估方法
- 2. python机器学习—— 模型评估
- 3. 机器学习 (五): 模型评估
- 4. 机器学习-模型评估
- 5. 如何评估机器学习模型？
- 6. 机器学习—模型评估
- 7. 机器学习之模型评估（一）
- 8. week6_机器学习模型评估
- 9. 机器学习之模型评估
- 10. 机器学习之模型评估（二）