数学建模
把工程、经济、生物与社会问题转化为变量、假设、可解模型、经过检验的答案与明确的局限说明。
顺着知识,继续探索
交叉验证反复训练及留出评估泛化能力,须处理依赖与泄漏风险。
已审核中文素材 v1:知识卡片(概念卡片)「交叉验证的用途」从 2:14 起——交叉验证被提出,旨在避免因单次任意划分训练集/测试集,或训练集/验证集/测试集而引发的困难。幻灯片指出:我们希望模型得分不依赖于训练集和测试集的具体选取方式。
已审核中文素材 v1:知识卡片(概念卡片)「留一法交叉验证(LOOCV)」从 0:55 起——一种用于评估机器学习模型的重采样方法,尤其适用于小规模数据集。该方法将数据集划分为n个子集,其中n为观测值总数;每个子集恰好被用作一次验证数据,而其余个子集则用于训练。模型共训练并评估n次,最终将结果取平均,以生成单一的性能估计值。
已审核中文素材 v1:知识卡片(概念卡片)「交叉验证」从 0:09 起——交叉验证被引入作为对简单训练/测试划分思想的一种推广,用于评估机器学习模型。
主体模型以个体规则及相互作用生成整体仿真行为。
实现核验检查是否符合规格,模型验证检查是否适合预定用途。
先差分到平稳,再拟合自回归与移动平均项,预测误差随步长增长。
对指标做两两比较矩阵,由主特征向量导出权重并做一致性检验。
写明忽略哪些因素及理由,使模型既可解又能被数据检验。
把工程、经济、生物与社会问题转化为变量、假设、可解模型、经过检验的答案与明确的局限说明。