本文主要是介绍【大厂AI课学习笔记NO.60】（13）模型泛化性的评价，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！
我们学习了过拟合和欠拟合，具体见我的文章：https://giszz.blog.csdn.net/article/details/136440338
那么今天，我们来学习模型泛化性的评价。
泛化性的问题，我们也讨论过了，那么如何评价模型的泛化性呢？
我们知道，过拟合（over-fitting），就是在训练数据上表现良好，在未知数据上表现差。
欠拟合（under-fitting），就是在训练数据和未知数据上表现都很差。
这里要记住！
过和欠都不好，训练结合略微低于测试结果是组好的。
这个图特别有助于我们的理解。
延伸学习：
模型泛化性的评价方法主要包括留出验证、交叉验证、自助法等，下面详细阐述留出验证和交叉验证这两种常用的方法，以及它们的步骤和重要的工具，并给出具体的例子来说明。
一、留出验证
留出验证是将数据集划分为训练集、验证集和测试集三个部分。训练集用于训练模型，验证集用于调整模型参数和选择最佳模型，测试集用于评估模型的泛化性能。
步骤：
- 将数据集按比例划分为训练集、验证集和测试集，通常的比例是70%：15%：15%或60%：20%：20%等。
- 使用训练集训练模型，并使用验证集进行模型选择和参数调整。
- 选择在验证集上表现最好的模型，使用测试集评估其泛化性能。
工具：
Python中的scikit-learn库提供了留出验证的相关功能，如train_test_split函数可用于划分数据集。
例子：
假设我们有一个包含1000个样本的数据集，我们可以使用train_test_split函数将其划分为训练集、验证集和测试集。例如，将70%的数据作为训练集，剩余的30%再平均分为验证集和测试集。
from sklearn.model_selection import train_test_split X, y = # 数据集的特征和标签 X_train, X_temp, y_train, y_temp = train_test_split(X, y, test_size=0.3, random_state=42)
X_val, X_test, y_val, y_test = train_test_split(X_temp, y_temp, test_size=0.5, random_state=42)二、交叉验证
交叉验证是一种将数据集分成多份，每次使用其中的一份作为验证集，其余的作为训练集的验证方法。常见的交叉验证方法有k折交叉验证和留一交叉验证。
步骤（以k折交叉验证为例）：
- 将数据集平均分成k份，每份称为一个折（fold）。
- 每次使用其中的一个折作为验证集，其余的k-1个折作为训练集。
- 重复k次，每次选择不同的折作为验证集，确保每个折都被用作验证集一次。
- 计算k次验证结果的平均值作为模型的性能评估指标。
工具：
Python中的scikit-learn库提供了交叉验证的相关功能，如KFold和cross_val_score等。
例子：
假设我们有一个包含100个样本的数据集，我们可以使用5折交叉验证来评估模型的性能。这意味着我们将数据集分成5份，每份包含20个样本。
from sklearn.model_selection import KFold, cross_val_score
from sklearn.linear_model import LogisticRegression X, y = # 数据集的特征和标签
model = LogisticRegression() # 以逻辑回归模型为例 kfold = KFold(n_splits=5, shuffle=True, random_state=42) # 创建5折交叉验证对象
scores = cross_val_score(model, X, y, cv=kfold) # 使用交叉验证评估模型性能 print("交叉验证结果：", scores) # 输出每次验证的结果
print("平均性能：", scores.mean()) # 输出平均性能评估指标需要注意的是，在实际应用中，我们通常会结合多种评估方法和工具来全面评估模型的泛化性能。此外，还需要注意数据集的划分比例、随机性等因素对评估结果的影响。
这篇关于【大厂AI课学习笔记NO.60】（13）模型泛化性的评价的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！
