第 1 页 / 共 19 页
第 2 页 / 共 19 页
第 3 页 / 共 19 页
第 4 页 / 共 19 页
第 5 页 / 共 19 页
第 6 页 / 共 19 页
第 7 页 / 共 19 页
第 8 页 / 共 19 页
第 9 页 / 共 19 页
第 10 页 / 共 19 页
第 11 页 / 共 19 页
第 12 页 / 共 19 页
第 13 页 / 共 19 页
第 14 页 / 共 19 页
第 15 页 / 共 19 页
第 16 页 / 共 19 页
第 17 页 / 共 19 页
第 18 页 / 共 19 页
第 19 页 / 共 19 页
机器学习（周志华）-周志华-第2章 模型评估与选择
机器学习（周志华）-周志华-第2章 模型评估与选择 在《机器学习》（周志华）的第2章中，模型评估与选择无疑是至关重要的环节。毕竟，训练出一个“好”模型，远比单纯追求模型参数的优化要难得多。如果模型在训练集上表现出色，但在测试集或实际应用中却糟糕透顶，那可就真是白白浪费了大量的时间和精力。 周志华在书中强调，评估模型的核心在于用外部数据来检验模型的泛化能力。换句话说，我们必须让模型接触到它从未见过的、全新的数据，看看它表现如何。这就是所谓的“测试集评估”。 常用的评估方法有很多种，例如分类问题中的准确率、召回率、F1值，以及回归问题中的均方误差(MSE)等。这些指标虽然看似简单，但背后蕴含着对模型性能的深刻理解。选择合适的评估指标，对于判断模型是否真的“学”到了东西，至关重要。 另外，周志华还介绍了过拟合和欠拟合的概念。过拟合是指模型在训练集上表现得非常好，但在测试集上却表现很差。这是因为模型过于复杂，记住了训练集的每一个细节，而无法泛化到新的数据上。欠拟合则意味着模型没有充分学习到训练数据中的特征，导致在训练集和测试集上都表现不佳。 因此，模型评估与选择并非一蹴而就，而是一个需要不断尝试和调整的过程。 找到最佳的模型参数，建立一个真正能够解决实际问题的模型，需要我们具备足够的耐心和敏锐的洞察力。
展开
机器学习（周志华）
2025-07-21
17次阅读
资料获取方式
温馨提示：登录学霸英雄官网后可获取更多大学生必备科目和考证等复习备考资料！