{"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":471,"pdf_page":487,"physical_index":487,"physical_index_base":0,"printed_page_status":"recognized","page_sha256":"a99ac38510bb0a8833939ef38265cbe9cb0781c041ec8c19a614341ad521ba1c"},"chapter":"第16章","content":"测试集（test set)\n\n数据集的子集，用于在模型经由验证集的初步验证之后测试模型。\n\n与训练集和验证集相对。\n\ntf.Example\n\n一种标准的protobuffer，旨在描述用于机器学习模型训练或推断的输入数据。\n\n时间序列分析(time series analysis)\n\n机器学习和统计学的一个子领域，旨在分析时态数据。很多类型的机器学习问题都需要时间序列分析，其中包括分类、聚类、预测和异常检测。例如，你可以利用时间序列分析根据历史销量数据预测未来每月的冬外套销量。\n\n训练（training）\n\n确定构成模型的理想参数的过程。\n\n训练集(training set)\n\n数据集的子集，用于训练模型。与验证集和测试集相对。\n\n转移学习(transferlearning)\n\n将信息从一个机器学习任务转移到另一个机器学习任务。例如，在多任务学习中，一个模型可以完成多项任务，针对不同任务具有不同输出节点的深度模型，转移学习可能涉及将知识从较简单任务的解决方案转移到较复杂的任务，或者将知识从数据较多的任务转移到数据较少的任务。\n\n大多数机器学习系统都只能完成一项任务。转移学习是迈向人工智能的一小步，在人工智能中，单个程序可以完成多项任务。\n\n真负例(Rue Negative，TN)\n\n被模型正确地预测为负类别的样本。例如，模型推断出某封电子邮件不是垃圾邮件，而该电子邮件确实不是垃圾邮件。\n\n真正例（True Positive，TP）\n\n被模型正确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，而该电子邮件确实是垃圾邮件。 1-\n\n真正例率(True Positive Rate，TP率)\n\n召回率的同义词，即：\n\n$$\n\\frac { 1 } { 2 } \\because \\vert ( \\overrightarrow { y } ) \\vert \\frac { 3 } { 2 } = \\frac { 1 } { 2 } \\vert ( \\overrightarrow { y } ) \\vert \\frac { 3 } { 2 } \\times \\vert ( \\overrightarrow { y } ) \\vert ( \\frac { 1 } { 2 } \\vert ( \\overrightarrow { y } ) \\vert \\frac { 3 } { 2 } \\times + \\vert ( \\overrightarrow { y } ) \\vert ( \\overrightarrow { y } ) \\vert \\frac { 3 } { 2 } \\times \\vert ( \\overrightarrow { y } ) \\vert ( \\frac { 3 } { 2 } \\times \\overrightarrow { y } )\n$$\n\n真正例率是ROC曲线的y轴。\n\n附录D 术语列表\n\n471","previous_page":470,"next_page":472}