1、模型泛化能力：通过交叉验证估计泛化性能。
2、学习率是最重要的超参数。
3、超参数调优。主要方法有网格搜索和随机搜索。
网格搜索会带来维度灾难；随机搜索应用随机采样。
1、集成学习框架中的基模型是弱模型，通常来说弱模型是偏差高（在训练集上准确度低），
方差小（防止过拟合能力强）的模型。但是，并不是所有集成学习框架中的基模型都是弱模型。
bagging和stacking中的基模型为强模型（偏差低方差高），boosting中的基模型为弱模型。
boosting算法就是基于弱模型来实现防止过拟合现象。
1、KS值计算
使用auc统计ks值，不能出现缺失。
crosstab计算ks值，忽略了NAN。
但最佳还是使用auc，对于缺失值，不能忽略。根据字段含义，手工填充。
标签：auc,泛化,模型,能力,ks,搜索,随机 来源： https://www.cnblogs.com/axing0916/p/14416340.html
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。