摘要： 一、训练及验证模型的方法 最佳模型：在测试数据集（或者相对于模型来说是全新的数据集）上表现的比较好的模型，因为这种模型的泛化能力强，放在生成环境中面对未知的环境时有更好的表现。 调整的参数通常就是超参数：kNN 中的 k 和 P 、多项式回归中的 degree 等； 通常调参时使用交叉验证的方法。 阅读全文

摘要： 一、基础理解 学习曲线作用： 学习曲线：随着训练样本的逐渐增多，算法训练出的模型的表现能力； 表现能力：也就是模型的预测准确率，使用均方误差表示；学习率上体现了模型相对于训练集和测试集两类数据的均方误差。 具体的操作： 具体的操作： 二、实例 1）模拟数据集 数据集 import numpy as 阅读全文

摘要： 一、基础理解 1）训练模型的目的 训练模型不是为了最大程度的拟合样本点，而是为了获得一个可以预测的模型，当有了新的样本时，该模型可以给出很好的解答，因此衡量模型对于训练数据集的拟合程度时是没有意义的，我们真正需要的是该模型的泛化能力； 均方误差：描述两组数之间的相同程度； 机器学习领域，用模型在 X 阅读全文