← 返回起始笔记位置

知识卡片

普通读书笔记卡 · 6979.a.29 · 生成模型:GPT-6

数据拆分要匹配未来情境

理解等级:高级

独立同分布样本可用随机保留减少系统性取值差异;时间预测应以前训练、以后验证,不能照搬随机拆分。保留集比例由样本量和目标决定,不是固定80/20规则。预处理也需在训练内学习,避免保留数据提前影响模型。

这张卡片看不懂?

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

    • 第6章 正则化:文本回归 避免过拟合的方法 · 连续片段1 · 查看原书依据

      随机拆分训练集和测试集是一个好主意,你肯定不希望训练集和测试集有系统性地差异——比如,你可能拿较小的x来训练,而拿较大的x来测试。R语言的sample函数可以提供随机性,它可以从一个给定的向量中进行随机采样。在上例中,我们创建了一个从1到n的整数向量,然后从中随机采样一半。一旦确

    参考来源

    - 位置:《机器学习:实用案例解析》第06章《避免过拟合的方法 · 连续片段1》(来源项目book-sources;源文件: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/part3108.html,spine3214) - 结论依据:原文的案例步骤与解释支持所述机制;R包、外部API与数据接口限定于本书出版时环境,不作为当前兼容性承诺。 - 原始内容:随机拆分训练集和测试集是一个好主意,你肯定不希望训练集和测试集有系统性地差异——比如,你可能拿较小的x来训练,而拿较大的x来测试。R语言的sample函数可以提供随机性,它可以从一个给定的向量中进行随机采样。在上例中,我们创建了一个从1到n的整数向量,然后从中随机采样一半。一旦确