{"resolved":true,"match_type":"uuid","source_type":"original_book","book_id":"cd4f7678-cd9b-4971-bde0-e9ad46a6cc71","title":"人工智能与大数据技术导论","author":null,"edition":null,"publisher":null,"year":null,"isbn":"9787302517986","requested_by":"printed_page","book":{"source_type":"original_book","book_id":"cd4f7678-cd9b-4971-bde0-e9ad46a6cc71","id":"cd4f7678-cd9b-4971-bde0-e9ad46a6cc71","uuid":"cd4f7678-cd9b-4971-bde0-e9ad46a6cc71","title":"人工智能与大数据技术导论","normalized_title":"人工智能与大数据技术导论","author":null,"edition":null,"publisher":null,"year":null,"isbn":"9787302517986","isbns":["9787302517986"],"parsed":true,"ai_readable":true,"document_type":"book","page_count":490,"navigation_url":"https://workshop.closeclaw.top/ai/book/cd4f7678-cd9b-4971-bde0-e9ad46a6cc71","title_url":"https://workshop.closeclaw.top/ai/title/%E4%BA%BA%E5%B7%A5%E6%99%BA%E8%83%BD%E4%B8%8E%E5%A4%A7%E6%95%B0%E6%8D%AE%E6%8A%80%E6%9C%AF%E5%AF%BC%E8%AE%BA","fixed_page_url_template":"https://workshop.closeclaw.top/ai/book/cd4f7678-cd9b-4971-bde0-e9ad46a6cc71/page/{printed_page}","path_api_url_template":"https://workshop.closeclaw.top/api/ai/book/cd4f7678-cd9b-4971-bde0-e9ad46a6cc71/page/{printed_page}","read_url":"https://workshop.closeclaw.top/api/ai/read/cd4f7678-cd9b-4971-bde0-e9ad46a6cc71","page_url":"https://workshop.closeclaw.top/api/ai/books/cd4f7678-cd9b-4971-bde0-e9ad46a6cc71/page","search_url":"https://workshop.closeclaw.top/api/ai/books/cd4f7678-cd9b-4971-bde0-e9ad46a6cc71/search"},"page":{"printed_page":157,"pdf_page":173,"physical_index":173,"physical_index_base":0,"printed_page_status":"recognized","page_sha256":"0363dd9f52b18368d91bb1e5259c7f1c202f6ce694a5b5b72581aaf390d28971"},"chapter":"第5章","content":"这里读者可以先记住一句话来代表集成算法的思想，叫作“众人拾柴火焰高”。集成算法可以将多个基础算法结合在一起，并把“集体”的力量发挥到最大。\n\n(5)减少特征的数量\n\n减少特征的数量包括人工手动减少特征的数量和使用模型选择算法，我们会在后面的章节中讲到。\n\n5.6 模型的评估与改进\n\n通过上节的学习，我们知道为了防止过拟合，需要有效地利用验证集来选择表现最好的模型。我们顺着这个思路进入本节的学习：通过验证集评价、选取和改进模型。\n\n5.6.1 机器学习模型的评估\n\n要评价一个机器学习模型的表现，我们需要一个具体的指标来评估。一个确实的量化指标对我们评价和选择模型具有重要的参考意义。对于回归模型来说，常用的指标为MSE、MAE等，对于分类模型，常用指标包括准确率、精确率、召回率、F1-Score、ROC曲线和AUC等。下面我们来详细介绍这些概念。\n\n1. 分类模型的评估\n\n绝大多数分类任务都是二分类任务（binary classificationproblem），即类别只有两种：0或1。对于一个二分类问题来说，根据预测值和真实值分类，无外乎出现表5-5所示的4种情况。\n\n对于分类问题，最直观也是最简单的评价指标就是准确率（Accuracy），即样本中有多大比例被我们预测正确。准确率等于预测正确的样本数除以总样本数，即(TP+TN)/(TP+TN+FP+FN)。相对应的一个概念是错误率(Error/MisclassificationRate)，或者叫误差率，是指我们预测错误的样本数所占的比例，误差率=1-准确率。\n\n使用准确率或误差率作为评价指标的时候，意味着我们将两种分类类别平等对待。但现实中我们遇到的二分类任务中，通常两种分类类别并不像“性别为男或女”这样的对等关系，而是有正负之分。我们将某件事情发生、具有肯定性结果对应为类别1，或称为具有正值，比如药检呈阳性、天气预报会下雨、信用贷款会违约等。与之相对应的分类结果归为类别0，即事件未发生、具有否定性的结果。\n\n当我们要差别对待类别0和类别1时，就需要懂得精确率、召回率等概念，这也是我们引\n\n第5章 模型\n\n157","previous_page":156,"next_page":158}