【文件属性】：
文件名称：带有Python的机器学习工具包：使用Python的机器学习工具包
文件大小：8.91MB
文件格式：ZIP
更新时间：2021-01-30 09:37:47
python bootstrap machine-learning metrics scikit-learn
带有Python的机器学习工具包
实用的Python机器学习工具包
评估回归模型的性能（MAE与MSE）
通常，MSE或RMSE不仅用作回归模型的损失函数，而且还用于评估这种模型的性能。 但是，有些人声称MSE不是衡量平均模型性能的合适方法。
“我们的发现表明，MAE是更自然的平均误差度量，并且（与RMSE不同）是明确的”（Willmott和Matsuura 2005）
“相反，评估模型性能通常需要结合指标，包括但不限于RMSE和MAE，”（Chai和Draxler，2014年）-相关论文
Willmott，CJ和Matsuura，K。（2005）。 在评估平均模型性能时，平均绝对误差（MAE）优于均方根误差（RMSE）。 气候研究，30（1），79-82。
Chai，T.＆Draxler，RR（2014）。 均方根误差（RMSE）或均方根误差（MAE）？–文献中关于避免RMSE的争论。 地球科学模型开发，7（3），1247-1250。
集合方法（袋装分类器与投票分类器）
使用Scikit-learn的袋装和投票分类器
“集成器已经很好地确立为一种通过组合精度较低的分类器来获