知识卡片
模型评估工作流总览
本章把监督分类器的构建与评估串成完整工作流:用 Pipeline 串联预处理与分类器→用 k 折交叉验证做基本评估与模型选择→画学习曲线/验证曲线诊断过拟合欠拟合→用网格搜索微调超参→用混淆矩阵与精确率/召回率/F1/ROC 等指标按具体问题优化。至此具备成功构建分类器的基本技能,下一步是用集成方法混合多个模型进一步提升性能。
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
- 模型评估与参数调优实战 · 查看原书依据
使用k折交叉验证,我们绘制了学习曲线和验证曲线以诊断学习算法中过拟合与欠拟合等常见问题
参考来源
- 位置:《Python机器学习》第6章《本章小结》(源文件:`../../book-sources/extracted/Python机器学习/_epub-src/OEBPS/Text/part0097.xhtml.xhtml)
- 结论依据:原文直接支撑上述要点。
- 原始内容:使用k折交叉验证,我们绘制了学习曲线和验证曲线以诊断学习算法中过拟合与欠拟合等常见问题