本篇主要内容：F1 Score，Precision-Recall 的平衡，P-R 曲线
上篇我们提到，精准率和召回率这两个指标有时精准率低一些有时召回率低一些，有时可能都低。那么实际中用哪个指标比较好呢？这一般和应用场景有关，对于有些场景，我们更注重精准率，比如股票预测，假设预测的是一个二分类问题：股票会升还是降，显然为了利润我们关注的是升（即上升为类 1），为什么这种情况下精准率指标更好呢？因为精准率是所有分类为 1 的预测中有多少是正确的，对本例也就是预测未来股票上升有多少是对的，这更复合我们的利润最大决策。而召回率是实际上升的股票中我们预测对了多少，基于风险投资理念，有很多股票会上升的时刻，我们就算落掉一些也是没有关系的，没有投资进去也就没有损失，更重要的是我们的决策中有多少能赚钱，所以在这种场景下，精准率更好。
一、集成学习的概述
集成学习 (ensemble learning) 本身不是一个单独的机器学习算法，而是通过构建并结合多个机器学习器来完成学习任务。集成学习可以用于分类问题集成，回归问题集成，特征选取集成，异常点检测集成等等。本文就对集成学习的原理做一个总结。
集成学习解决的两个问题：一是如何选择若干个弱学习器，二是如何将这些弱学习器通过结合策略结合起来。
本文由 简悦 SimpRead 转码， 原文地址 https://www.jianshu.com/p/a4e94e72a46d
对于线性回归：
方法一：以前的 cross validation 中有一种方法是 train/test split，现在挪到 model_selection 库中，randomly partition the data into training and test sets, by default, 25 percent of the data is assigned to the test set。这种方法只能得到一次划分结果的评估结果，不准确。
PCA 是无监督数据降维方式，目的是将一个高维数据集转换为一个低维数据集。如今我们的数据集往往有成百上千维的特征，但并不是所有的特征都很重要，通过降维，去除那些不重要的特征。数据维度的降低了，同时计算机的运算效率也得到了提升。在人工智能技术刚起步的时候，人们关注的焦点在于算法的准确性，通过不断优化算法中的计算参数，来提高运算结果的准确率。今天，随着存储与通信技术的发展，数据规模变得空前的庞大，所以运算效率变成了我们不得不考虑的问题。
本文由 简悦 SimpRead 转码， 原文地址 https://www.jianshu.com/p/b4d40760156c?utm_campaign=maleskine&utm_content=note&utm_medium=seo_notes&utm_source=recommendation
5.1.1~5 accuracy，precision，recall，F1-score，ROC 曲线
分别画图举例，要说出应用场景，例如什么情况用什么评价标准。