律师的网站模板,做网站费用,怎么查询商标名称是否注册,茶叶网站建设哪家数据建模的目的就是获得从自变量映射到因变量的函数#xff0c;在建模的探索过程中#xff0c;不同的方式总会得出不同的函数模型#xff0c;而这些函数大多是由一些参数构成的#xff0c;比如 y f#xff08; x; w0, w1, w2, w3, ...#xff09;。 平方损失函数
为了选…数据建模的目的就是获得从自变量映射到因变量的函数在建模的探索过程中不同的方式总会得出不同的函数模型而这些函数大多是由一些参数构成的比如 y f x; w0, w1, w2, w3, ...。 平方损失函数
为了选择在某种方式下最好的参数值 w0, w1, w2, w3, ...的值这个衡量方法一般是比较原始数据与模型的预测数据之间的平方差平方差定义为
[y原始-y预测**2 ] / N [y原始- f x; w0, w1, w2, w3, ...**2 ] / N
这个数值越小说明模型的预测值越接近原始值也就代表模型越好。上述表达式也称为平方损失函数。 绝对损失函数
平方损失是非常常见的选择其他的损失函数比较适合回归比如另一个常见的是绝对损失函数。
| y原始-y预测| / N | y原始- f x; w0, w1, w2, w3, ...| / N 准确率
用准确率判断模型好坏比较适合分类问题即因变量是固定的几个值比如自变量是0或1的二分类问题。准确率就是看模型分类的结果与原始数据中的分类结果相同的占比。
准确率 S模型与原始数据的分类结果一致 / S该分类下的所有数据量
下面是python代码示例
y32 lr.predict(x3)#用检验集x3的数据通过模型进行预测,结果储存在变量y32中。
print(u模型的平均准确率检验集为%s% lr.score(x3, y3))
print(u模型的平均准确率检验集y0为%s% (sum(y32[i] 0 for i,v in enumerate(y3) if v 0) / sum(1 for i,v in enumerate(y3) if v 0)))
print(u模型的平均准确率检验集y1为%s% (sum(y32[i] 1 for i,v in enumerate(y3) if v 1) / sum(1 for i,v in enumerate(y3) if v 1)))
