2.3 模型介绍

2.3.1 什么是模型

通过对训练数据进行学习和训练得到的算法或函数。这些模型可以根据输入数据来做出预测、分类、聚类、回归等任务。

模型是算法+数据结合出来的结晶，是实验的成果。

2.3.2 模型评估指标

1. 分类模型评估

1. 准确率

正确预测的数占样本总数的比例

2. 精准率

正确预测为正的数占全部预测为正的比例

3. 召回率

正确预测为正的数占全部正样本的比例

4. F1-score

用于评估模型的稳健型

5. auc指标

用于评估样本不均衡的情况

2. 回归模型评估

1. 均方根误差

2. 相对平方误差

3. 平均绝对误差

4. 相对绝对误差

5. 决定系数

2.3.3 模型拟合问题

1. 欠拟合

学习特征太少，导致区分标准太粗糙，不能准确识别。

2. 过拟合

所建的机器学习模型或者是深度学习模型在训练样本中表现得过于优越，导致在验证数据集以及测试数据集中表现不佳。