{"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":454,"pdf_page":470,"physical_index":470,"physical_index_base":0,"printed_page_status":"recognized","page_sha256":"3a7d0b1daabd4008a18f6d984266425971794e5036f0f97ddaf3cdaa2ee9eb9e"},"chapter":"第16章","content":"人工智能与大数据技术导论\n\n假正例(False Positive，FP)\n\n被模型错误地预测为正类别的样本。例如，模型推断出某封电子邮件是垃圾邮件(正类别)，但该电子邮件其实不是垃圾邮件。\n\n假正例率(False Positive Rate，FP率)\n\nROC曲线中的x轴。FP率的定义如下：\n\n假正例率=假正例数/（假正例数+真负例数）\n\n特征（feature）\n\n在进行预测时使用的输入变量。\n\n特征列(FeatureColumns)\n\n一组相关特征，例如用户可能居住的所有国家/地区的集合。样本的特征列中可能包含一个或多个特征。TensorFlow中的特征列内还封装了元数据，例如：\n\n●特征的数据类型。\n\n●特征是固定长度还是应转换为嵌套。\n\n特征列可以包含单个特征。\n\n特征交叉组合(featurecross)\n\n通过将单独的特征进行组合（相乘或求笛卡尔积）而形成的合成特征。特征组合有助于表示非线性关系。\n\n特征工程(feature engineering)\n\n特征工程有时称为特征提取，过程为：确定哪些特征可能在训练模型方面非常有用，然后将原始数据转换为所需的特征。\n\n特征集(feature set)\n\n训练机器学习模型时采用的一组特征。例如，对于某个用于预测房价的模型，邮政编码、房屋面积以及房屋状况可以组成一个简单的特征集。\n\n特征规范(feature spec)\n\n用于描述如何从 tf.Example proto buffer提取特征数据。由于tf.Example proto buffer只是一个数据容器，因此必须指定以下内容：\n\n●要提取的数据（特征的键）。\n\n●数据类型（例如float或 int）。\n\n● 长度（固定或可变）。\n\nEstimatorAPI提供了一些可用来根据给定Feature Columns列表生成特征规范的工具。\n\n454","previous_page":453,"next_page":455}