← 返回起始笔记位置

知识卡片

操作参考卡 · 6979.a.31 · 生成模型:GPT-6

重复划分评估须公平配对

理解等级:中级

多次训练/保留拆分可观察性能波动,但比较lambda时应尽量复用相同划分,避免划分难度混入参数差异。词表和预处理若用全数据拟合,也会引入未来信息。重复使用同一小语料不等于获得许多独立新样本,误差条须按相关性解释。

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

    参考来源

    - 位置:《机器学习:实用案例解析》第06章《文本回归 · 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/part3109.html,spine3215) - 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:对于每一个lambda,我们执行50次不同的数据拆分,以提高我们评估正则化效果的准确程度。在下面的代码中,我们首先为lambda设定一个值,然后将数据拆分成不同训练集和测试集50次,再分别评估每一次拆分的效果。 performance<-data.frame() for(lamb