本文是個人理解
1.高偏差(high bias)與方差(high variance)
偏差,可以理解為樣本與模型**結果的差距，可以使用平方差計算
方差是樣本y值與模型期望的差的平方和。
模型對實驗資料欠擬合(underfitting) 是會出現搞偏差，而過擬合(overfitting)會造成高方差
解決方法：直接的方法是將實驗資料一分為二：訓練集和測試集。模型在訓練集和測試集上都達到高正確率才說明偏差和方差都可以接受
增加體徵的數量可以降低偏差；減少特徵數量可以降低方差
2. 精確率(precision)與召回率(recall)
以新聞推薦舉例。
要平衡精確率和召回率，可以調節區分正負類別的概率臨界值。 為提高精確率，可以提高概率臨界值，使得正類別的判斷更加
保守；為了提高召回率，可以降低概率臨界值，以增加正類別的數量
3. 混淆矩陣
在機器學習（人工智慧領域），
混淆矩陣
（confusionmatrix
）是可視
化工具，特別用於
監督學習
，在無監督學習一般叫做匹配矩陣。
矩陣的列表示**類的例項，行表示實際類的例項，這樣通過混淆矩陣的一些指標可以衡量演算法的精度。
predicted
negative
positive
actual
negative
a
b
positive
c
d
ac（accuracy
）=(a+d)/(a+b+c+d)
tp（recall
or true positive rate
）= d/(c+d)
fp（false positive rate
）= b/(a+b)
tn （true negative rate
）= a/(a+b)
fn（false negative rate
）= c/(c+d)
p（precision
）= d/(b+d)
精確率與召回率
混淆矩陣 true positive 真正,tp 將正類 為正類數.true negative 真負 tn 將負類 為負類數.false positive 假正,fp 將負類 為正類數 誤報 type i error false negative 假負 fn 將正類 為負類數 漏報 type ii ...
精確率與召回率
1.1.1 混淆舉證 1 1.2 精確率 precision 與召回率 recall 召回率 真實為正例的樣本中 結果為正例的比例 r ec all tptp fnrecall frac recall tp fntp 能夠很好的評估模型，其主要用於二分類問題.f 1 2tp2 tp f n fp 2...
高慣量與低高慣量
轉動慣量 轉動半徑 質量 低慣量就是電機做的比較扁長，主軸慣量小，當電機做頻率高的反覆運動時，慣量小，發熱就小。所以低慣量的電機適合高頻率的往復運動使用。但是一般力矩相對要小些。高慣量的伺服電機就比較粗大，力矩大，適合大力矩的但不很快往復運動的場合。因為高速運動到停止，驅動器要產生很大的反向驅動電壓...