知识卡片
cpu数据的四种方法对比
cpu 数据含 209 个 CPU 的 9 项指标,取“与基准比较的性能”perf 为因变量,循环时间、最小/最大主内存、缓冲区大小、最小/最大通道数为自变量。perf 严重右偏,取 log10 后近似对称,再用 8:2 划分为 167 个训练、42 个测试样本。回归树用 tree():用到 cach、mmax、syct、mmin,9 个叶节点,测试 MSE 0.0778(RMSE 0.279),意味着预测的性能对数平均差约 0.28。Bagging 设 mtry=6(全部变量)降到 0.0366;随机森林默认 mtry=p/3=2,为 0.0384;Boosting 用 distribution=‘gaussian’、5000 棵树、深度 4,为 0.0370。结论与分类问题一致:组合方法把误差大约减半,三者差距很小;单树对扰动敏感,变量重要性都指向缓冲区大小与最大主内存。
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
- 第5章 决策树与组合方法 · 查看原书依据
回归树在测试集上的MSE 约为0.077 846 7,其平方根为0.279,意味着模型的预测性能与实际性能差约0.279。
参考来源
- 位置:《大数据挖掘与统计机器学习》第5章 决策树与组合方法(源文件:extracted/大数据挖掘与统计机器学习/_epub-src/OEBPS/Text/chapter7_0005.xhtml,5.5.2 cpu数据)
- 结论依据:原文给出 cpu 数据的变量、perf 右偏需取对数、167/42 划分,以及回归树 MSE 0.0778、Bagging 0.0366、随机森林 0.0384、Boosting 0.0370 的实测值与所用变量。
- 原始内容:回归树在测试集上的MSE 约为0.077 846 7,其平方根为0.279,意味着模型的预测性能与实际性能差约0.279。