1、區別歐式距離和餘正弦距離？
2、無偏估計和有偏估計的區別？
4.模型評估中不同的指標應用在什麼場景中？
（1）準確率acc（分類問題）應用於樣本類別比例平衡時，平均準確率，應用在不同類別樣本比例非常不平衡時。
（2）針對實際的需求，權衡不同閾值下的召回率和精確率（pr曲線），使用乙個指標調和平均值來綜合反映模型的效能（排序模型）
（3）均方根誤差用於衡量回歸模型的好壞，但出現樣本的離群點非常大時，從指標的角度考慮，應該選擇平均絕對百分比誤差指標評估
（4）二值分類器的評估指標：精確率，召回率，f1 score,pr曲線，還有一種roc曲線。 其中roc曲線能降低不同測試卷集帶來的干擾，特別適用於正負樣本數量不平衡的情況。若是希望看到模型在特定資料集的表現則pr曲線更加合適。
（5）歐式距離體現數值的絕對差異，余弦距離體現方向的相對差異，實際的使用看哪個的差異較為明顯 kl距離，評估兩個分布之間的差異
（6）a/b測試用於驗證模型的最終效果，分實驗組和測試組
參考：百面
二 模型評估與選擇
m個樣本中有a個分類錯誤，則錯誤率e a m 1 a m 實際 輸出與樣本真實輸出之間的差異稱為誤差，學習器在訓練集上的誤差稱為 訓練誤差 或者 經驗誤差 在新樣本上的誤差稱為 泛化誤差 generalization error 顯然我們希望得到泛化誤差小的機器。過擬合 學習器把訓練樣本學的太好，很...
keras評估模型
當建立好模型並且用來訓練之後，如何評估模型的好壞，準確度又如何呢？三種常用方法 1 使用自動驗證方法 在 fit 函式中增加乙個validation split引數，該引數用來進行驗證效果 該引數可以自由設定，一般設定為20 或者30 也就是測試集佔總資料集的20 或者30 的資料用來進行驗證，其餘...
模型評估方法
有些自己熱愛卻因為被迫無奈而放棄的東西，慢慢記錄吧。以後想起，我還會知道自己學過這些。機器學習 周志華著的這本書是乙個很好的學習資料，其實我更喜歡這本書的樣子，漂亮而且有種童話故事的感覺。一 經驗誤差與過擬合 1.無論什麼時候，我們都希望得到乙個泛化誤差 在新樣本上的誤差 小的學習器。但有時候會出現...