Nen 的回答 - 好学星城学习论坛

0 赞同

以下混淆矩阵的召回率，特异性和精确度是多少？

TP /真正肯定：案例是肯定的，并且被预测为肯定 TN /真阴性：案件为阴性，预计为阴性 FN /假阴性：案件为阳性，但预计为阴性 FP /误报：案例为否定，但预计为肯定召回率= 20％特异性= 30％精度= 22％补充说明：召回率= TP /（TP + FN）= 10/50 = 0.2 = 20％特异性= TN /（TN + FP）= 15/50 = 0.3 = 30％精度= TP /（...

回答于 2021-10-30 11:41

0 赞同

使用 scikit-learn 时，是否确实需要在特征值变化很大时调整特征...

是。大多数机器学习算法都使用欧几里得距离作为度量标准来测量两个数据点之间的距离。如果值的范围相差很大，则不同功能部件中相同更改的结果将非常不同。

回答于 2021-10-30 11:40

0 赞同

使用 scikit-learn 时，是否确实需要在特征值变化很大时调整特征...

是。大多数机器学习算法都使用欧几里得距离作为度量标准来测量两个数据点之间的距离。如果值的范围相差很大，则不同功能部件中相同更改的结果将非常不同。

回答于 2021-10-30 11:40

0 赞同

你的数据集有 50 个变量，但是8个变量的缺失值高于 30％。如何解...

只是删除它们（不理想）为缺失值分配唯一的类别，以查看是否有趋势生成此问题检查目标变量的分布。如果找到了模式，请保留缺少的值，将其分配给新类别，然后删除其他类别

回答于 2021-10-30 11:39

0 赞同

协方差和相关性有什么区别？

相关性是协方差的标准化格式。协方差本身很难做比较。例如：如果我们计算工资（￥）和年龄（岁）的协方差，因为这两个变量有不同的度量，所以我们会得到不能做比较的不同的协方差。为了解决这个问题，我们计算相关性来得到一个介于-1和1之间的值，就可以忽略它们各自不同的度量。

回答于 2021-10-30 11:37

0 赞同

你认为把分类变量当成连续型变量会得到一个更好的预测模型吗？

为了得到更好的预测，只有在分类变量在本质上是有序的情况下才可以被当做连续型变量来处理。

回答于 2021-10-30 11:36

0 赞同

什么是贝叶斯定理？我们为什么用它？

贝叶斯定理是我们在知道其他概率时如何找到概率的方法。换句话说，它提供了先验知识事件的后验概率。该定理是计算条件概率的原则方法。在 ML 中，贝叶斯定理用于将模型拟合到训练数据集的概率框架中，并用于建立分类预测建模问题（即，朴素贝叶斯，贝叶斯最优分类器）。

回答于 2021-10-29 14:00

0 赞同

什么是朴素贝叶斯分类器？我们为什么要使用它们？

朴素贝叶斯分类器是分类算法的集合。这些分类器是具有共同原理的一系列算法。朴素贝叶斯分类器假设某个功能的存在或不影响其他功能的存在或不存在。换句话说，我们称其为“天真”，因为它假定所有数据集特征都同等重要且独立。朴素贝叶斯分类器用于分类。当独立性的假设成立时，与其他复杂的预测变量相比，它们更易于实现...

回答于 2021-10-29 14:00

0 赞同

判别模型和生成模型之间有什么区别？

判别模型学习不同类别的数据之间的区别。生成模型学习数据类别。区分模型通常在分类任务上表现更好。

回答于 2021-10-29 13:59

0 赞同

什么是参数模型？提供一个例子

参数模型具有有限数量的参数。您只需要知道模型的参数即可进行数据预测。常见示例如下：线性 SVM，线性回归和逻辑回归。非参数模型具有无限数量的参数以提供灵活性。对于数据预测，您需要模型的参数和观测数据的状态。常见示例如下：k最近邻，决策树和主题模型。

回答于 2021-10-29 13:59

3096 个回答