機器學習的套路

• 1.model如何對現實的場景進行抽象
• 2.model如何對參數進行求解
• 3.model的效果如何評價

1.抽象

例如線性回歸，就是認為預測變量y和特征X之間存在線性關心，老掉牙的例子就是房價和地區收入，人口密度等等的線性關系
線性回歸的數學假設有兩個部分：
1. y的預測值是數據特征的線性變換。這里的參數是一組系數。而y的系數和數據特征的線性組合。
2.y的預測值和實際值之間存在一個誤差，這個誤差是符合正太分布的

2.參數求解

參數求解每個模型都不一樣，一般通用的就是SGD和各種變種
還以上面的線性回歸為例，求解的參數就是y=Wx中的W

3.評價

評價模型的效果好不好，均方誤差，logloss等等
上面的線型模型因為假設預測值和實際值的誤差是符合正太分布，所以一般用均方誤差

總結

第一步抽象很重要，第二步作為普通人主要是使用現成的算法進行參數求解，第三步往往已經在實際的生產環境中確定了模型的評價標準
一般的經驗是在用一個模型對數據進行訓練的時候，如果訓練集上欠擬合，可能是模型的表征能力不行對應；如果在測試集上過擬合，那可能就是模型的表征能力太強，噪聲都被學習了。至于模型的迭代和改進這又是另一個問題了。

轉載于:https://www.cnblogs.com/peinwu/p/10070191.html

總結

以上是生活随笔為你收集整理的机器学习套路三步走的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。