知识卡片
分类算法选择五步
每个算法都基于特定假设、含有特定缺点,没有分类器能在所有场景都表现良好(再次呼应”没有免费午餐”)。不同模型在特征数量、样本数量、噪声多少、类别是否线性可分等条件下表现各异,因此要靠大量实践为具体问题选算法。训练机器学习算法有五个主要步骤:① 特征选择;② 确定性能评价标准;③ 选择分类器及其优化算法;④ 评估模型性能;⑤ 算法调优。理解要点:算法选择不是凭偏好,而是在明确数据与评价指标后比较多种模型的结果——后续第 6 章才展开超参调优,本章聚焦各分类算法的基本概念。
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
- 3.1 分类算法的选择 · 查看原书依据
这些模型针对不同数量的特征或者样本、数据集中噪声的数量,以及类别是否线性可分等问题时,表现各不相同
参考来源
- 位置:《Python机器学习》第3章《3.1 分类算法的选择》(源文件:`../../book-sources/extracted/Python机器学习/_epub-src/OEBPS/Text/part0029.xhtml.xhtml)
- 结论依据:原文重述"没有免费午餐"、指出不同模型在不同数据条件表现不同,并列出训练算法五个主要步骤。
- 原始内容:这些模型针对不同数量的特征或者样本、数据集中噪声的数量,以及类别是否线性可分等问题时,表现各不相同