一、样本噪声
与训练集差异较大的样本。
训练集中包含噪声,会使训练集拟合复杂程度增强,使模型过于复杂,可能出现过拟合情况。
数据集中若包含噪声,意味着该数据无法在训练样本中找到一致的样本,会导致无法判断,无法分类,此时给定归纳偏好,以确定数据分类。
一般噪声样本loss值较大(深度学习)。
二、过拟合和欠拟合
过拟合:当使用过拟合进行分类时,会排除一些在假设空间以内的数据,如核酸检测中的 false-negative[假设拟合的是核酸检测结果为阳性]。
欠拟合:当使用欠拟合进行分类时,会将一些不在假设空间内的算入,如false-positive。
训练误差最小时,很可能出现过拟合。
三、交叉验证法的划分
交叉验证法中,互斥子集有多种划分方法,结合留出法的划分方法,即数据集和测试集分层采样。
对于10折交叉验证,若二分类数据集中,正例比例为p,反例比例为(1-p),数据集总样本量为D,则训练集T1的划分可能结果包括:C(Dp/10,Dp)C(D(1-p)/10,D(1-p))。测试集也应当按照分层采样的方法划分。
四、错误率定义
错误率定义式中,E(f;D)=1/m∑(m,i=1)I (f(xi)≠yi)
其中 I (f(xi)≠yi) =0 or 1
When f(xi)≠yi,I (f(xi)=yi)=1;
when f(xi)=yi, (f(xi)=yi)=0.
精率的定义式中,acc(f;D)=1/m∑(m,i=1)I (f(xi)=yi)
其中 I (f(xi)=yi) =0 or 1
When f(xi)=yi,I (f(xi)=yi)=1;
when f(xi)≠yi, (f(xi)=yi) =0.
标签:yi,10,xi,样本,噪声,拟合 来源: https://blog.csdn.net/GDST_/article/details/120698015
本站声明: 1. iCode9 技术分享网(下文简称本站)提供的所有内容,仅供技术学习、探讨和分享; 2. 关于本站的所有留言、评论、转载及引用,纯属内容发起人的个人观点,与本站观点和立场无关; 3. 关于本站的所有言论和文字,纯属内容发起人的个人观点,与本站观点和立场无关; 4. 本站文章均是网友提供,不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属;如您发现该文章侵犯了您的权益,可联系我们第一时间进行删除; 5. 本站为非盈利性的个人网站,所有内容不会用来进行牟利,也不会利用任何形式的广告来间接获益,纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。