VIP10

本课程属于：014-Zemax优化函数体系 光学光电与激光工程 · 共 10 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

机器学习分类回归评价指标与模型评估

📚 共计 30 章节

点击此处阅读海量试读课程：100+行业、1000+细分领域

评价函数概述

什么是评价函数、评价函数在推荐系统/搜索排序中的作用、评价函数的数学本质。

基础数学本质

评价函数的分类

点估计评价函数、成对评价函数、列表评价函数。

准确率与精确率

准确率(Accuracy)的定义与计算、精确率(Precision)的定义与计算、适用场景与局限性。

分类基础指标

召回率与F1分数

召回率(Recall)的定义与计算、F1分数的调和平均原理、Precision-Recall的权衡。

ROC曲线与AUC

真正率与假正率、ROC曲线的绘制方法、AUC值的含义与计算。

排序可视化

对数损失函数

交叉熵损失的定义、二分类与多分类的对数损失、对数损失的梯度特性。

损失函数概率

均方误差与均方根误差

MSE的定义与计算、RMSE的定义与计算、对异常值的敏感性分析。

平均绝对误差

MAE的定义与计算、MAE与MSE的对比、MAE的鲁棒性优势。

回归鲁棒性

R²决定系数

R²的定义与解释、R²的取值范围、调整R²与过拟合。

回归拟合优度

排序评价指标

MRR(Mean Reciprocal Rank)、MAP(Mean Average Precision)、NDCG(Normalized Discounted Cumulative Gain)。

排序信息检索

DCG的计算、IDCG的归一化、NDCG@K的实际应用。

排序归一化

平均精度的计算、AP的插值方法、MAP在多标签分类中的应用。

排序多标签

倒数排名的含义、MRR在问答系统中的应用、MRR的局限性。

成对评价函数

Pairwise Ranking Loss、Hinge Loss、Contrastive Loss。

成对排序学习

锚点、正样本、负样本的定义、Triplet Loss的公式与梯度、难样本挖掘策略。

度量学习难样本

列表评价函数

ListNet、ListMLE、LambdaRank。

列表排序学习

LambdaRank与LambdaLoss

Lambda梯度的推导、LambdaLoss的统一框架。

生成评价指标

BLEU、ROUGE、METEOR、CIDEr。

文本生成NLP

n-gram精确率、惩罚因子BP、BLEU的优缺点。

文本生成n-gram

ROUGE-N、ROUGE-L、ROUGE-W的差异与适用场景。

文本生成召回率

基于WordNet的同义词匹配、惩罚因子与Fmean。

文本生成语义

TF-IDF加权、n-gram共识度、在图像描述中的应用。

图像描述TF-IDF

感知评价指标

IS(Inception Score)、FID(Fréchet Inception Distance)。

生成模型感知

特征空间的均值与协方差、FID的计算步骤、FID与IS的对比。

生成模型分布

用户满意度指标

CTR、CVR、停留时间、跳出率。

业务在线指标

业务指标与评价函数的关联

离线指标与在线指标的映射、代理损失函数的设计。

业务代理损失

评价函数的偏置与公平性

数据偏置对评价函数的影响、公平性指标的设计。

公平性偏置

评价函数的统计显著性

置信区间、假设检验、Bootstrap方法。

统计显著性

评价函数的工程实现

大规模数据下的评价函数计算、分布式计算框架、缓存与优化。

工程分布式

评价函数的选择策略

任务类型与评价函数的匹配、多目标优化中的评价函数组合、实践中的常见陷阱。