VIP20

本课程属于：016-AI驱动的供应链需求预测与库存优化实战 供应链数字化与智能采购系统 · 共 20 门相关课程，组合学习更完整。

查看所属VIP全部课程 →

← 返回所属目录咨询 / 购买

模型评估·精准度实战

30章 · 从入门到精通

1

评估体系总览 01.html

为什么需要模型评估 · 核心目标 · 过拟合与欠拟合直观理解

2

数据集划分 02.html

训练/验证/测试集作用 · 划分比例 · 分层抽样策略

3

交叉验证基础 03.html

K折交叉验证 · 留一法 · 重复交叉验证

4

混淆矩阵 04.html

TP/TN/FP/FN定义 · 可视化 · 多分类混淆矩阵

5

分类指标（上） 05.html

准确率 · 精确率 · 召回率详解与计算

6

分类指标（下） 06.html

F1-Score · 特异度 · ROC曲线与AUC值

7

PR曲线 07.html

精确率-召回率曲线 · 何时优于ROC曲线

8

回归指标（上） 08.html

MSE · RMSE · 平均误差(MAE)

9

回归指标（下） 09.html

R²决定系数 · 调整R² · 解释方差分数

10

学习曲线 10.html

绘制学习曲线诊断偏差/方差 · 应对策略

11

验证曲线 11.html

超参数对性能影响 · 过/欠拟合临界点判断

12

特征重要性评估 12.html

树模型特征重要性 · Permutation · SHAP值基础

13

模型校准 13.html

概率校准重要性 · 可靠性图 · Platt缩放与等温回归

14

偏差与方差权衡 14.html

偏差-方差分解 · 集成方法平衡偏差与方差

15

正则化技术 15.html

L1(Lasso)与L2(Ridge) · 正则化路径 · 弹性网络

16

超参数调优（上） 16.html

网格搜索(GridSearchCV) · 参数空间设计

17

超参数调优（下） 17.html

随机搜索 · 贝叶斯优化(Hyperopt/Optuna)简介

18

特征工程对评估的影响 18.html

特征缩放(标准化/归一化) · 编码 · 选择对指标影响

19

数据不平衡处理 19.html

重采样(过采样/欠采样) · SMOTE · 代价敏感学习

20

集成学习提升精度 20.html

Bagging(随机森林) · Boosting(XGBoost/LightGBM) · Stacking

21

模型堆叠(Stacking) 21.html

元学习器设计 · 防止过拟合的K折堆叠策略

22

时间序列评估 22.html

TimeSeriesSplit · 滚动窗口评估 · 无数据泄露滞后特征

23

聚类模型评估 23.html

轮廓系数 · Calinski-Harabasz · Davies-Bouldin指数

24

异常检测评估 24.html

精确率@k · 召回率@k · F1@k · 基于排名评估指标

25

模型可解释性 25.html

LIME局部解释 · SHAP全局/局部 · 部分依赖图(PDP)

26

A/B测试与模型上线评估 26.html

离线vs在线评估 · 流量分割 · 假设检验基础

27

模型监控与漂移检测 27.html

数据漂移(Data Drift) · 概念漂移 · PSI指标

28

多指标综合评估 28.html

自定义评分函数 · 业务指标映射 · 权衡矩阵

29

自动化评估流水线 29.html

Pipelines构建评估 · MLflow跟踪 · 超参数与指标记录

30

实战案例复盘 30.html

原始数据到最终模型全流程评估优化 · 常见陷阱与最佳实践