(1) loglikelihood (对数似然)
- 表示对模型预测的评估，衡量模型输出的概率分布是否与目标标签匹配。
- 数值越大，说明模型预测的概率分布越接近目标分布。
(2) accuracy (准确率)
- accuracy 是分类任务中的一个指标，表示模型预测正确的样本占总样本的比例。
(3) RMSE (均方根误差, Root Mean Squared Error)
数值越小越好，表示模型预测更接近真实值。
(4) elapse (耗时)
阶段的区分
- Training (训练)：
- 记录模型在训练集上的表现指标，显示模型的学习进度。
- Validating (验证)：
- 验证集用于模型评估，以检查模型是否过拟合或欠拟合。
- Testing (测试)：
- 测试集是独立于训练集和验证集的，用来评估模型的最终性能。
上图为MLE+Reg的训练结果
上图为MLE+DA的训练结果,验证集和测试集对数似然为负数，均方误差也比训练集上要差，疑似有一点过拟合。训练集上来看的话表现是比上一种方法要好的
上图为Dis的训练结果，对数似然都是负数，均方误差表现也一般般
上图为HCL+MLE的训练结果，训练集上的均方误差有点高，但到了验证集和测试集就不算高，表现反而变好了
上图为HCLeve+MLE的训练结果，和上面一样，在训练集上表现弱于验证集和测试集
上图为HCLseq+MLE的训练结果和上面一样，在训练集上表现弱于验证集和测试集
发表回复