搜索网站有哪几个,线上职业技能培训平台,wordpress调用指定分类文章,网站收缩目录模板补充#xff1a;关于“适应度函数”
适应度函数#xff08;Fitness Function#xff09;是用来衡量一个解#xff08;或模型#xff09;“好坏”的函数#xff0c;常见于遗传算法、进化算法、贝叶斯优化等智能优化方法中。
通俗理解#xff1a; 适应度函数就像“打分标…补充关于“适应度函数”
适应度函数Fitness Function是用来衡量一个解或模型“好坏”的函数常见于遗传算法、进化算法、贝叶斯优化等智能优化方法中。
通俗理解 适应度函数就像“打分标准”用来评价每一个候选解的优劣。分数越高说明这个解越优秀越接近我们想要的目标。
在机器学习/优化中的作用
输入一个解比如一组超参数、一个模型结构等输出一个分数比如准确率、损失值的相反数、收益等
例子
如果你在做分类问题适应度函数可以是模型在验证集上的准确率。如果你在做回归问题适应度函数可以是负均方误差MSE 越小越好所以取负数让分数越大越好。
总结 适应度函数就是用来“打分”帮助算法找到最优解的标准。分数越高解越好。
关注在输出结果上
输出 模型整体表现
准确率accuracy0.77说明模型在测试集上有77%的样本预测正确。 对不同类别的表现 类别0未违约 精确率precision0.77召回率recall0.98F1值0.86说明模型对未违约用户识别得非常好几乎不会漏掉未违约的样本召回率高但有一部分违约用户被误判为未违约精确率略低于召回率。 类别1违约 精确率0.83召回率0.29F1值0.43说明模型对违约用户的识别能力较弱只有29%的违约用户被正确识别出来召回率低但一旦模型判断为违约准确性还是比较高的精确率高。 混淆矩阵分析
[[1034, 25], [315, 126]] 1034真正例未违约预测对了25假正例未违约被误判为违约315假负例违约被误判为未违约126真负例违约预测对了 说明模型更容易把违约用户预测成未违约漏判较多但很少把未违约预测成违约错杀较少。 类别不平衡影响
违约样本1召回率低说明模型对少数类违约不敏感容易漏判。这在实际金融风控中可能不是理想结果因为漏掉违约风险较大。 优化效果
粒子群优化后模型参数为n_estimators200, max_depth18, min_samples_split4, min_samples_leaf1说明模型容量较大拟合能力较强但对少数类的识别还可以进一步提升比如通过调整类别权重、采样方法等。
手写笔记复习 今日复习到这里这一部分主要关注其输入输出会调用即可。明日继续加油浙大疏锦行
