机器学习day3

图像数据不足时的处理方法

图像数据训练时，数据不够怎么办。

1. 对图像进行随机的处理，包括但不限于选择，平移，缩放，裁剪，填充，左右翻转。
2. 对图像添加噪声，如椒盐噪声，高斯白噪声。当然，按理说对图像进行锐化处理，模糊处理也行。
3. 改变图像本身，亮度，清晰度，对比度，锐度等等
4. 颜色变换。
5. 借助已经训练过的通用模型，继续训练。
6. 使用GAN生成新的数据（逃）

模型评估

针对不同问题，分类，排序，回归，序列预测，选择合适的评估方式。 准确率Accuracy，精确率Precision，召回率Recall，均方根误差Root Mean Square Error，RMSE

准确率是指在分类问题中，被正确分类样本个数与总样本个数的比值。缺点，如果样本有错，而且样本的错误率90%，那么模型把90%的都预测错，那么反而会有很高的准确率。

精确率和召回率既矛盾又统一，为了提高Precision值，分类器需要尽 量在“更有把握”时才把样本预测为正样本，但此时往往会因为过于保守而漏掉很多“没有把 握”的正样本，导致Recall值降低。 精确率和召回率的调和平均值

均方根误差RMSE

是i的样本真实值，

是i样本的预测值，n是样本个数。 RMSE能够很好的反应回归模型预测值与真实值的偏差，但是如果一些点偏差巨大，对RMSE影响也大。因此也引进了MAPE，平均绝对百分比误差，Mean Absolute Percent Error。

MAPE进行了归一化，降低了个别利群点所带来的绝对误差影响。