动手学数据分析 Task05：数据建模及模型评估

分手后的思念是犯贱 2022-12-02 01:07 170阅读 0赞

### 文章目录 ###

*  动手学数据分析
 *   *  Task05：数据建模及模型评估
     *   *  一、重点与思考

# 动手学数据分析 #

本次跟随Datawhale组织的动手学数据分析组队学习，对数据分析继续加强学习，希望能有所收获。Datawhale是一个很好的开源组织，会组织很多优质、开源的系列学习。

附上[本次组队学习的计划和教程资料][Link 1]，如果链接失效，可点击[这里][Link 2]前往Datawhale官网自行查找，即使没有当时加入组队学习，有兴趣的话从现在开始学习也不晚哦~

由于此次是需要有一些pandas基础，之前有做过**pandas的脑图总结**，有需要的同学可以点[这里][Link 3]前往获取。

现在学习喜欢用脑图的方式，知识点清晰明了，易于查找和复习，希望也可以帮助大家梳理知识脉络，同时欢迎补充。

## Task05：数据建模及模型评估 ##

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQ1NTU2NTk5_size_16_color_FFFFFF_t_70_pic_center]  
链接：https://pan.baidu.com/s/1zXGkoiUBWp4Z7cQI0tMTYg  
提取码：n4ze

### 一、重点与思考 ###

筛选了一些比较重要的操作以及一些思考的回答：（部分答案在脑图中有）  
**【思考】**

*  划分数据集的方法有哪些？  
    [《数据集划分方法》][Link 4]
 *  分层抽样  
    好处：样本的代表性比较好，抽样误差比较小。

**【思考】**

*  为什么线性模型可以进行分类任务，背后是怎么的数学关系
 *  对于多分类问题，线性模型是怎么进行分类的  
    [《机器学习笔记-利用线性模型进行分类》][-]

**【思考】k折越多的情况下会带来什么样的影响？**  
k折越多，平均误差被视为泛化误差这个结果就越可靠，但相应的所花费的时间也是线性增长的。

**【思考】什么是二分类问题的混淆矩阵，理解这个概念，知道它主要是运算到什么任务中的**  
[《二分类评估，从混淆矩阵说起》][Link 5]

**【思考】什么是OCR曲线，OCR曲线的存在是为了解决什么问题？**  
[《机器学习之分类器性能指标之ROC曲线、AUC值》][ROC_AUC]

**【思考】对于多分类问题如何绘制ROC曲线**  
[《多分类ROC曲线及AUC计算》][ROC_AUC 1]

**【思考】你能从这条OCR曲线的到什么信息？这些信息可以做什么？**

1.  一个ROC曲线完全”包住“另一个ROC曲线—>第一个学习器效果更好
2.  两个ROC曲线相交—>利用ROC曲线下的面积（AUC，area under ROC curve，是一个数值)进行比较学习器的效果

[Link 1]: https://github.com/datawhalechina/hands-on-data-analysis
[Link 2]: https://github.com/datawhalechina
[Link 3]: https://blog.csdn.net/qq_45556599/article/details/106932836
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQ1NTU2NTk5_size_16_color_FFFFFF_t_70_pic_center]: /images/20221123/8b6682c9d2024f9f88b15dcf8a12ec12.png
[Link 4]: https://zhuanlan.zhihu.com/p/160271446
[-]: https://blog.csdn.net/robin_xu_shuai/article/details/77246481
[Link 5]: https://www.jianshu.com/p/65afca09fab1
[ROC_AUC]: https://blog.csdn.net/zdy0_2004/article/details/44948511?utm_medium=distribute.pc_relevant.none-task-blog-BlogCommendFromMachineLearnPai2-2.nonecase&depth_1-utm_source=distribute.pc_relevant.none-task-blog-BlogCommendFromMachineLearnPai2-2.nonecase
[ROC_AUC 1]: https://blog.csdn.net/u010505915/article/details/106450150/?utm_medium=distribute.pc_relevant.none-task-blog-title-5&spm=1001.2101.3001.4242