机器学习与深度学习面试系列二（模型评估与过拟合）1
需积分: 0 54 浏览量
2022-08-03
16:50:24
上传
评论
收藏 1.22MB PDF 举报
机
器
学
习
与
深
度
学
习
⾯
试
系
列
⼆
（
模
型
评
估
与
过
拟
合
）
在
模
型
评
估
过
程
中
，
有
哪
些主
要
的
验
证
⽅
法
，
它
们
的
优
缺
点
是
什么
?
•
H
o
ld
out
检
验
法
。
最
简
单
也
是最
直
接
的
验
证
⽅
法
，
它将
原
始
的
样本
集
合
随
机
划分
成
训
练
集
和
验
证
集
两
部
分
。
例
如
：
70
%
的
样本
⽤
于
模
型
训
练
，
30
%
的
样本
⽤
于
模
型
验
证
，
包
括
绘
制
ROC
曲
线
、
计
算
精
确
率
和召
回
率
等
指
标来
评
估
模
型
性
能
。
缺
点
很
明显
，
即
在
验
证
集
上
计
算
出
来
的
最
后
评
估
指
标
与
原
始
划分
有
很
⼤
关
系
。
为了
消
除随
机
性
，
引
⼊
了
“
交
叉
检
验
”
的
思
想
。
•
交
叉
检
验
法
。
k
-
f
o
ld
交
叉
验
证
:
⾸
先
将
全
部
样本
划分
成
k
个
⼤
⼩
相
等
的
样本
⼦
集
;
依
次
遍
历
这
k
个
⼦
集
，
每次
把
当
前
⼦
集
作为
验
证
集
，
其
余
所
有
⼦
集
作为
训
练
集
，
进
⾏
模
型
的
训
练
和
评
估
;
最
后
把
k
次
评
估
指
标
的
平
均
值
作为
最
终
的
评
估
指
标
。
在
实
际
实
验
中
，
k
经
常
取
10
。
留
⼀
验
证
:
每次
留
下
1
个
样本
作为
验
证
集
，
其
余
所
有样本
作为
测
试
集
。
样本
总
数
为
n
，
依
次
对
n
个
样本
进
⾏
遍
历
，
进
⾏
n
次
验
证
，
再
将
评
估
指
标
求
平
均
值
得
到
最
终
的
评
估
指
标
。
在
样本
总
数
较
多
的
情
况
下，
留
⼀
验
证
法
的
时
间
开
销
极
⼤
。
事
实
上，
留
⼀
验
证
是
留
p
验
证
的
特
例
。
留
p
验
证
是
每次
留
下
p
个
样
本
作为
验
证
集
，
⽽
从
n
个
元
素
中
选
择
p
个
元
素
有
种
可
能
，
因
此
它
的
时
间
开
销
更是
远远
⾼
于
留
⼀
验
证
，
故
⽽
很
少
在
实
际
⼯
程
中
被
应
⽤
。
•
⾃
助
（
b
ootstr
a
pp
i
n
g
）
法
。
当
样本
规
模⽐
较
⼩
时
，
H
o
ld
out
检
验
法
和
交
叉
检
验
法
将
样本
集
进
⾏
划
分
会
让训
练
集
进
⼀
步
减
⼩
，
这
可
能
会
影
响
模
型
训
练
效
果
。
⾃
助
法
是
基
于
⾃
助
采
样
法
的
检
验
⽅
法
。
对
于
总
数
为
n
的
样本
集
合
，
进
⾏
n
次
有
放
回
的
随
机
抽
样
，
得
到
⼤
⼩
为
n
的
训
练
集
。
n
次
采
样
过
程
中
，
有
的
样本
会
被
重
复
采
样
，
有
的
样本
没
有
被
抽
出
过
，
将
这
些
没
有
被
抽
出
的
样本
作为
验
证
集
，
进
⾏
模
型
验
证
。
在
⾃
助
法
的
采
样
过
程
中
，
对
n
个
样本
进
⾏
n
次
⾃
助
抽
样
，
当
n
趋
于
⽆
穷
⼤
时
，
最
终
有
多
少
数据
从
未
被
选
择
过
?
样本
在
m
次
采
样
中
始
终
不
被
采
到
的
概
率
是
（
，
取
极
限
得
到
:
。
即
通过
⾃
助
采
样
，
初
始
数据
集
D
中
约
有
36.8
%
的
样本未
出
现
在
采
样
数据
集
D
'
中
.
于
是
我
们
可
将
D
'
⽤
作
训
练
集
，
剩
下
的
⽤
作
测
试
集
。
这
样
实
际
评
估
的
模
型
与
期
望
评
估
的
模
型
都
使
⽤
m
个
训
练
样本
，
⽽
我
们仍
有
数据
总
量
约
36.8
%
的
、
没
在
训
练
集
中
出
现
的
样本
⽤
于
测
试
。
这
样
的
测
试
结
果
，
亦
称
"
包
外
估
计
"
(
out
-
o
f
-
bag
e
st
i
m
a
t
e
).
评论0