image
ROC (Receiver Operating Characteristic) Curve [Green & Swets, Book 66; Spackman, IWML’89] Area Under ROC Curve
AUC (Area Under the ROC Curve)
AUC越大,结果越好
image
image
image
image
MAE(Mean Absolute Error) 平均绝对误差
image
MSE(Mean Square Error) 均方误差
image
RMSE(Root Mean Square Error) 均方根误差
image
R平方
image
要点总结
机器学习目标
拿到有泛化能力的“好模型”
机器学习的评估方法
留出法、交叉验证法、自助法
机器学习的评估度量标准
分类问题
错误类、精度、召回率/准确率、混淆矩阵、F1值、AUC
回归问题
MAE、MSE、RMSE、R平方
5. 机器学习算法一览
5.1 机器学习算法一览
image
image
5.2 机器学习算法可视化理解
不同算法在完成分类与回归问题时候,有不同的处理方式。
详见课程动态演示
image
image
image
image
image
要点总结
机器学习算法
监督学习
分类:K最近邻、逻辑回归、朴素贝叶斯、支持向量机、树模型...
回归:线性回归、多项式回归、岭回归、树模型回归...
无监督学习
聚类:K-means,层次聚类、密度聚类、GMM...
关联规则:Fpgrowth
机器学习算法可视化理解
分类问题
不同的算法在尝试生成不同的决策边界,从而完成分类
回归类问题有不同的拟合方式
附 结合微专业课程的学习
数学基础
讲授具体算法时对涉及数学部分有针对的查漏补缺
算法理解
理解算法核心概念与原理,不同算法差异,不同场景与算法选择
编程基础
结合课程算法的配套案例与代码实现,巩固编程能力
动手实践
结合微专业综合应用部分,案例与机器学习应用“套路”学习
积累项目经验
组织大家积极参与数据科学比赛和讨论
附 参考文献/Reference
Prof. Andrew Ng. Machine Learning. Stanford University