《机器学习Python实战》课件 23-项目11 使用交叉验证法评估模型.pptxVIP

?机器学习Python实战?项目11模型评估与优化实战

目录CONTENTS01任务导入从AI评估“翻车”事件看稳健评估的重要性·思政：科学严谨、科技向善02任务目标会导入数据·会构建交叉验证·会解读得分03相关知识iris数据集·交叉验证思想·SVC与cross_val_score04任务实施数据导入与建模·8折交叉验证·10折交叉验证05总结提升核心要点回顾·延伸思考项目11模型评估与优化实战·11.2.1任务1：使用交叉验证法评估模型

任务导入一次随机划分“过关”的模型，真的可信吗？真实事件·AI评估的“翻车”警示·某AI辅助诊断在公开测试集准确率95%，换一家医院数据却跌到70%——分布偏移叠加单次划分的好运气。·部分商用人脸识别对深肤色女性错误率高达34.7%，对浅肤色男性不足1%——单次评估掩盖了偏差。·数据竞赛中A榜高分模型到B榜大幅滑坡：评估不稳定会误导真实决策。思考·我们需要怎样的模型评估·不能让一次随机划分“定生死”，要把划分随机性通过多折“平均掉”。·分层抽取，保证每折各类比例与原数据一致，小类不被稀释。·模型评价应可复现、可解释，经得起多角度检验——这正是严谨求实的科学态度。科学严谨·数据可信·科技向善——让模型评价经得起检验从“一考定终身”到“多轮模拟考”训练