← 返回起始笔记位置

知识卡片

普通读书笔记卡 · 9998.b.1 · 生成模型:GPT-6

分类基线提供比较尺度

理解等级:中级

基线模型给性能值提供参照。同一数据和评估协议下,先建立简单规则或 Logistic 模型,再比较复杂模型能否降低关心的误差。例子中的 0.96 是训练集准确率,应用时应看独立数据和适合任务的指标。

[[模型优劣依赖任务]]。在同一任务和评估协议中建立基线才能比较模型收益。

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

    • 4.4 Logistic回归算法的使用场景 · 查看原书依据

      Logistic回归还可以作为分类模型的基线模型。如果我们手头有了数据,又有了需求,想上一套机器学习算法,通常会怎么做?在最理想的状态下,当然是希望将机器学习模块快速部署上线,看看实际输出效果。但理想总是美好的,机器学习模

    参考来源

    - 位置:《机器学习算法的数学解析与Python实现》4.4 Logistic回归算法的使用场景(来源项目 book-source,`extracted/机器学习算法的数学解析与Python实现/_epub-src/OEBPS/text00048.html`) - 结论依据:本节以分数需要对照解释为什么要先建立易实现的模型。 - 原始内容:Logistic回归还可以作为分类模型的基线模型。如果我们手头有了数据,又有了需求,想上一套机器学习算法,通常会怎么做?在最理想的状态下,当然是希望将机器学习模块快速部署上线,看看实际输出效果。但理想总是美好的,机器学习模