{"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":449,"pdf_page":465,"physical_index":465,"physical_index_base":0,"printed_page_status":"recognized","page_sha256":"c2f44c7e0ddebfe2386dfcf98cbd1e1f584367bcb638706382f60c818912f691"},"chapter":"第16章","content":"协同过滤(collaborativefiltering)\n\n根据很多其他用户的兴趣来预测某位用户的兴趣。协同过滤通常用在推荐系统中。\n\n混淆矩阵(confusion matrix)\n\n一种N×N表格，用于总结分类模型的预测成效，即标签和模型预测的分类之间的关联。在混淆矩阵中，一个轴表示模型预测的标签，另一个轴表示实际标签。N表示类别个数。在二元分类问题中，N=2。例如，表D-1显示了一个二元分类问题的混淆矩阵示例。\n\n上面的混淆矩阵显示，在19个实际有肿瘤的样本中，该模型正确地将18个归类为有肿瘤（18个真正例），错误地将1个归类为没有肿瘤（1个假负例）。同样，在458个实际没有肿瘤的样本中，模型归类正确的有452个（452个真负例），归类错误的有6个（6个假正例）。\n\n多类别分类问题的混淆矩阵有助于确定出错模式。例如，某个混淆矩阵可以揭示，某个经过训练以识别手写数字的模型往往会将4错误地预测为9，将7错误地预测为1。混淆矩阵包含计算各种效果指标（包括精确率和召回率）所需的充足信息。\n\n连续特征(continuous feature)\n\n一种浮点特征，可能值的区间不受限制，与离散特征相对。\n\n收敛（convergence)\n\n通俗来说，收敛通常是指在训练期间达到的一种状态，即经过一定次数的迭代之后，训练损失和验证损失在每次迭代中的变化都非常小或根本没有变化。也就是说，如果采用当前数据进行额外的训练将无法改进模型，模型即达到收敛状态。在深度学习中，损失值有时会在最终下降之前的多次迭代中保持不变或几乎保持不变，暂时形成收敛的假象。\n\n另请参阅早停法。\n\n凸函数(convex function)\n\n一种函数，函数图像以上的区域为凸集。典型凸函数的形状类似于字母U。如图D-1所示都是凸函数。\n\n附录D 术语列表\n\n449","previous_page":448,"next_page":450}