知识卡片
损失函数定方向
损失函数定义错误的代价,因此决定模型学习的方向。准确率相同的模型可能业务价值完全不同;在风控、医疗等场景,误报和漏报不能等价对待。
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
- 样例学习 19.4.2 从错误率到损失函数 · 查看原书依据
把非垃圾邮件归类为垃圾邮件(这可能导致漏掉一封重要的邮件)比把垃圾邮件归类为非垃圾邮件(导致自己遭受几秒钟的骚扰)糟糕得多。因此,如果一个分类器所犯的大多数错误都是将垃圾邮件分类为非垃圾邮件,那么错误率为1%的该分类器将比错误率仅为0.5%但所犯的错误都是把非垃圾邮件分类为垃圾邮件的分类器要好。
参考来源
- 位置:《人工智能:现代方法(第4版)(上下册)》第19章《样例学习》(源文件:`extracted/人工智能:现代方法(第4版)(上下册)/_epub-src/text/part0040_split_004.html`,来源项目 a19c7933-4eda-4176-aebd-30fe7e1ad292)
- 结论依据:损失函数定义错误的代价,因此决定模型学习的方向。原文从「19.4.2 从错误率到损失函数」处给出对应机制与依据,支撑本卡结论。
- 原始内容:把非垃圾邮件归类为垃圾邮件(这可能导致漏掉一封重要的邮件)比把垃圾邮件归类为非垃圾邮件(导致自己遭受几秒钟的骚扰)糟糕得多。因此,如果一个分类器所犯的大多数错误都是将垃圾邮件分类为非垃圾邮件,那么错误率为1%的该分类器将比错误率仅为0.5%但所犯的错误都是把非垃圾邮件分类为垃圾邮件的分类器要好。