是要领会它们之间的关系对于这两个概念更主要的，景当选择准确的目标以便可以或许在给定的场。

　　值的精度和召回率之间的衡量精度-召回曲线显示了分歧阈。高召回率和高精度曲线下面积大代表，低误报率相关此中高精度与，低误报率相关高召回率与。

　　可分数据对于线性，性回归或逻辑回归我们能够进行线，决策鸿沟曲线/线二者都能够作为。

　　（称为 AUC）此曲线下的面积，机能目标也可用作。 越高AUC，越好模子。

　　量越大样本，像正态分布t 分布越。实上事，个样本之后在 30 ，正态分布完全一样T 分布几乎与。

　　中每个点与质心之间的平方距离之和WCSS（簇内平方和）是给定簇。值绘制 WCSS 时当我们用 K（簇数），个肘部（弯头）该图看起来像一。

　　sion 在竣事时有一个波动这就是为什么下图 Preci，持平稳的缘由而召回一直保。

　　则指出经验法，7% 位于平均值的 3 个尺度差以内按照正态分布察看到的数据中有 99.。

　　成分来考虑我们的模子为了选择准确数量的主，们供给足够好的总体方差百分比的值我们凡是会绘制此图并选择可以或许为我。

　　数据施行主成分阐发后它协助我们在对高维，注释的变异百分比可视化每个主成分。

　　需要选择准确的阈值它能够协助我们按照。如例，削减类型 1 错误若是我们的方针是，选择高精度我们需要，最小化类型 2 错误而若是我们的方针是，选择一个阈值那么我们该当，回率很高使得召。

　　y（随机性的怀抱）都是决策树中节点不纯度的怀抱Gini（缺乏同质性的怀抱）和 Entrop。

　　是但，归的环境下在逻辑回， 2 个类别因为凡是只要，策鸿沟可能不起感化因而具有线性直线决，到高很是平均地上升在一条直线上值从低，会获得良多临界的高值或者低值由于它不敷峻峭在值俄然上升后，错误分类最终会。

　　主要理论中名列前茅的概念这是一个老是在机械进修最。）都勤奋在误差和方差之间取得恰当的均衡机械进修中的几乎所有算法（包罗深度进修，了二者的对立关系这个图清晰地注释。

　　此因，”区域“鸿沟，的区域并不真正存期近概率从高到低改变。 变换将其转换为 sigmoid 曲线所以一般环境下会使用 sigmoid，环境下是滑润的该曲线在极端，持向量机(几何理解在两头几乎是线、支)

　　选手艺文章、资本和精，推以及若何用手艺做业余项目加个微信不按期分享一些成心思的勾当、岗亭内，一扇打开窗