知识卡片
监督学习要验证泛化
监督学习从已标注的输入输出样本学习决策函数或条件概率,再对未知样本预测。分类输出离散类别,回归输出实数。训练损失衡量拟合训练样本的程度,不能直接替代测试表现;模型应在未用于拟合的数据上评价泛化能力。
这张卡片看不懂?
这张卡片已通过人工审查,不再接受失败反馈。
已有反馈 · 0 条
还没有人提交反馈。
在整书笔记中的位置
原书出处 · 1 处
- 机器学习:范型与架构 · 查看原书依据
一般而言,训练数据由标注好的输入和输出数据对 构成,训练数据集通常表示为: 在监督学习的过程中,学习系统利用事先标注好的特定训练数据集,通过学习得到模型,这个模型可以表示为条件概率分布P (y |x )或者决策函数y =f (x ),条件概率分布或者决策函数描述输入和输出随机变量之间的映射关系。
参考来源
- 位置:《大数据日知录:架构与算法》第15章《机器学习:范型与架构》(来源项目:book-sources;源文件:extracted/大数据日知录_架构与算法/_epub-src/OEBPS/text00020.html)
- 结论依据:原文在本章对监督学习要验证泛化给出的定义、机制或示例支持本卡;技术产品描述限于2014年书中版本,示例与实测区分。
- 原始内容:一般而言,训练数据由标注好的输入和输出数据对 构成,训练数据集通常表示为: 在监督学习的过程中,学习系统利用事先标注好的特定训练数据集,通过学习得到模型,这个模型可以表示为条件概率分布P (y |x )或者决策函数y =f (x ),条件概率分布或者决策函数描述输入和输出随机变量之间的映射关系。