知识卡片
训练表现不能代替泛化能力
模型在训练样本上很好、在未见样本上差,说明可能记住了训练细节而没有学到可迁移规律。评估要使用未参与训练与调参的资料,避免只在用于改规则的黄金样例上宣布有效;好坏结论还受文档类型与样本分布影响,不保证每次提高召回都必降低精确率。
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
- · 查看原书依据
过度拟合训练数据的问题。一种常见的度量模型效力的方法叫做交叉验证(cross-validation)。在这种方法中,训练数据的一部分内容(比如三分之一)专门用于测试模型,剩余的数据用于训练模型。 [1] 更确切地说,F1被认为是准确率和召回率的调和平均数,其中任何两个数:x和y的调和平均数定义为:H=2×xy/(x+y)可以通过阅读调和平均数(http://
参考来源
- 位置:《社交网站的数据挖掘与分析(原书第2版)》第5章《5.5 人类语言数据处理分析的质量》(spine96;extracted/OReilly精品图书系列共21册(《Javascript权威指南》、《机器学习:实用案例解析》、《编写可读代码的艺术》、《算法精解》等)/_epub-src/text/part0085.html;u082-ch05-034)。
- 结论依据:原文在“过度拟合”附近的定义、例子或代码支撑本卡核心说明:模型在训练样本上很好、在未见样本上差,说明可能记住了训练细节而没有学到可迁移规律。边界按已读前提解释;示例未执行。
- 原始内容:过度拟合训练数据的问题。一种常见的度量模型效力的方法叫做交叉验证(cross-validation)。在这种方法中,训练数据的一部分内容(比如三分之一)专门用于测试模型,剩余的数据用于训练模型。 [1] 更确切地说,F1被认为是准确率和召回率的调和平均数,其中任何两个数:x和y的调和平均数定义为:H=2×xy/(x+y)可以通过阅读调和平均数(http://