在分類演算法中，我們首先將資料集分成訓練資料集和測試資料集，用訓練資料集去訓練我們的分類模型，用測試資料集的輸入特徵去**，將**的結果與測試資料集的真實結果對比，得出模型的準確率。
對於線性回歸演算法：
上面的衡量標準是與樣本數m有關的
對於均方誤差(mse)來說還有乙個量綱上的問題，改進後會得到均方根誤差（rmse）
以上就是三個評價線性回歸演算法的標準
mean_squared_error是均方誤差（mse）
mean_absolute_error是絕對值誤差（mae）
r平方模型衡量的是我們訓練出的模型對比y等於y的均值這個基準模型的效果是怎麼樣
使用sklearn提供的包
三個評價線性回歸標準的**實現
import numpy as np
from math import sqrt
def accuracy_score(y_true, y_predict):
"""計算y_true和y_predict之間的準確率"""
assert len(y_true) == len(y_predict), \
"the size of y_true must be equal to the size of y_predict"
return np.sum(y_true == y_predict) / len(y_true)
def mean_squared_error(y_true, y_predict):
"""計算y_true和y_predict之間的mse"""
assert len(y_true) == len(y_predict), \
"the size of y_true must be equal to the size of y_predict"
return np.sum((y_true - y_predict)**2) / len(y_true)
def root_mean_squared_error(y_true, y_predict):
"""計算y_true和y_predict之間的rmse"""
return sqrt(mean_squared_error(y_true, y_predict))
def mean_absolute_error(y_true, y_predict):
"""計算y_true和y_predict之間的mae"""
assert len(y_true) == len(y_predict), \
"the size of y_true must be equal to the size of y_predict"
return np.sum(np.absolute(y_true - y_predict)) / len(y_true)
def r2_score(y_true, y_predict):
"""計算y_true和y_predict之間的r square"""
return 1 - mean_squared_error(y_true, y_predict)/np.var(y_true)
O n 的三個排序演算法
今天覆習下最簡單的三個排序演算法，乙個是選擇排序，乙個是插入排序，乙個是氣泡排序，三者時間複雜度都是o n 通過分析來發現三者的優劣，以及對最好的情況和最壞的情況進行分析。另外，這三中排序演算法都是基於比較的排序演算法。基於比較的排序演算法的執行過程，會涉及兩種操作，一種是元素比較大小，另一種是元素...
演算法的三個基本問題
1.什麼是演算法？通俗的講演算法就是一種解決問題的策略。演算法的嚴格定義，簡而言之，演算法必須是 1 清楚 明確的定地定義 2 有效，即每乙個步驟都切實可行 3 有限，即可在有限步驟後得到結果。大多數情況下，解決乙個問題可以使用幾個不同的演算法，在編寫最終程式之前需要考慮許多潛在的解決方案。2.演算...
建立Oracle資料庫索引的三個標準
在oracle資料庫中，建立索引雖然比較簡單。但是要合理的建立索引則比較困難了。筆者認為，在建立索引時要做到三個適當，即在適當的表上 適當的列上建立適當數量的索引。雖然這可以通過一句話來概括優化的索引的基本準則，但是要做到這一點的話，需要資料庫管理員做出很大的努力。具體的來說，要做到這個三個適當有如...