大数据开发之机器学习总结（二）

大数据开发之机器学习总结（二）

1. 精确率和召回率

1. 监督学习中，如何评估一个模型的效果，这时候就需要相办法做指标评估。
2. 监督学习中，针对分类场景，一般是分类准确率，定义为分类器对测试集正确分类的样本数与总样本数之比
3. 对于二类分类问题，常用指标就是精确率和召回率，这时候按照真实数据所属类比与模型预测结果组合划分，有如下
   
   

2. 回归问题

1. 监督学习中，回归就是基于已有数据，找出输入和输出之间规律，然后根据输入的数据，得出预测的结果数据。
2. 有点类似新建一个函数，来贴合现有的函数。这叫做拟合
3. 回归问题分类，有多种标准

按照输入变量个数划分，一元回归，对元回归
按照模型类型，线性回归和非线性回归

4. 回归学习的损失函数

平方损失函数，当选择平方损失函数作为损失函数，回归问题的参数求解可以使用最小二乘法求解

3. 模型求解算法

1. 梯度下降算法
   
   
   

2. 牛顿法和拟牛顿法