知识卡片
公共函数与评估指标
公共代码先设超参:训练占比0.9、是否打乱、是否用独热或Embedding输入、是否保存嵌入。数据被按train_size切分,sample函数随机抽取指定数量的样本以模拟数据稀疏;split_features把8维矩阵拆成各列张量列表,供多输入模型使用。评估函数evaluate_models先让每个模型给出预测,再取多模型均值,用预测与真实值相对误差绝对值的平均作为指标,这种指标对销售额量级不敏感,比均方误差更适合比较不同模型。所有模型共用这些函数,保证了四种实验组合的评估口径一致。
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11章 用Embedding提升机器学习性能 · 查看原书依据
mean_sales = guessed_sales.mean(axis=0) relative_err = numpy.absolute((y - mean_sales) / y) result = numpy.sum(relative_err) / len(y)
参考来源
- 位置:《深入浅出Embedding:原理解析与应用实践 (吴茂贵, 王红星)》第11章 用Embedding提升机器学习性能(源文件:extracted/深入浅出Embedding:原理解析与应用实践 (吴茂贵, 王红星)/_epub-src/OEBPS/Text/Chapter15_0001.xhtml)
- 结论依据:原文11.1.4列出超参、sample、evaluate_models与split_features的实现,支撑本卡对公共函数作用的说明。
- 原始内容:mean_sales = guessed_sales.mean(axis=0) relative_err = numpy.absolute((y - mean_sales) / y) result = numpy.sum(relative_err) / len(y)