Comments (5)
可以先收集数据集,并且把训练数据和测试数据分开。每次训练完之后都用测试数据看一下 recall 和 precision,选择最好的一个模型和一组参数就可以了。一般来说,recall 和 precision 可以满足大部分场景。
from metis.
可以先收集数据集,并且把训练数据和测试数据分开。每次训练完之后都用测试数据看一下 recall 和 precision,选择最好的一个模型和一组参数就可以了。一般来说,recall 和 precision 可以满足大部分场景。
试验了很多, recall 和 precision 确实最直观的反映效果,但是 recall 和 precision 是会受 阈值 影响的,你们是一开始就固定使用 0.85 的阈值,然后后面都不变阈值?
from metis.
可以先收集数据集,并且把训练数据和测试数据分开。每次训练完之后都用测试数据看一下 recall 和 precision,选择最好的一个模型和一组参数就可以了。一般来说,recall 和 precision 可以满足大部分场景。
试验了很多, recall 和 precision 确实最直观的反映效果,但是 recall 和 precision 是会受 阈值 影响的,你们是一开始就固定使用 0.85 的阈值,然后后面都不变阈值?
阈值会随着模型,数据集,recall 和 precision 的效果而改变。
from metis.
可以先收集数据集,并且把训练数据和测试数据分开。每次训练完之后都用测试数据看一下 recall 和 precision,选择最好的一个模型和一组参数就可以了。一般来说,recall 和 precision 可以满足大部分场景。
试验了很多, recall 和 precision 确实最直观的反映效果,但是 recall 和 precision 是会受 阈值 影响的,你们是一开始就固定使用 0.85 的阈值,然后后面都不变阈值?
阈值会随着模型,数据集,recall 和 precision 的效果而改变。
阈值会影响recall,precision,最纠结的地方在于,通过搜索你可以选择一个比较好的阈值,但是会存在这么一个现象:
某个样本集 参数下,正常样本的score噪声比较多且比较大(越大越异常),虽然能找到某一个阈值是好于其他模型的,但其不稳定性也很高,会容易因为一些波动而误报;相较于另一个模型,即使结果稍差,但其区分度是比较明显的。
所以我认为直接去找到一个最好的阈值在模型调优时并不合适,我们初步的方案也是借鉴了你们的上线标准,满足上线标准时根据F1寻找最优阈值。在模型调优进行比较时(判断某次修改是否有效),固定两个阈值分别统计recall, precision(两个阈值确保正常样本和异常样本有一定的区分间隙),都满足上线标准时,就看F1。
总结一下,就是固定两个阈值来调优模型,满足上线标准就说明可以用了,后面的选择就不那么重要了,F1还是其他的都可以。
现在问题是 这种评价方式是我们自己想出来的,不知道有没有别的问题,所以听听你们的建议
from metis.
可以先收集数据集,并且把训练数据和测试数据分开。每次训练完之后都用测试数据看一下 recall 和 precision,选择最好的一个模型和一组参数就可以了。一般来说,recall 和 precision 可以满足大部分场景。
试验了很多, recall 和 precision 确实最直观的反映效果,但是 recall 和 precision 是会受 阈值 影响的,你们是一开始就固定使用 0.85 的阈值,然后后面都不变阈值?
阈值会随着模型,数据集,recall 和 precision 的效果而改变。
阈值会影响recall,precision,最纠结的地方在于,通过搜索你可以选择一个比较好的阈值,但是会存在这么一个现象:
某个样本集 参数下,正常样本的score噪声比较多且比较大(越大越异常),虽然能找到某一个阈值是好于其他模型的,但其不稳定性也很高,会容易因为一些波动而误报;相较于另一个模型,即使结果稍差,但其区分度是比较明显的。所以我认为直接去找到一个最好的阈值在模型调优时并不合适,我们初步的方案也是借鉴了你们的上线标准,满足上线标准时根据F1寻找最优阈值。在模型调优进行比较时(判断某次修改是否有效),固定两个阈值分别统计recall, precision(两个阈值确保正常样本和异常样本有一定的区分间隙),都满足上线标准时,就看F1。
总结一下,就是固定两个阈值来调优模型,满足上线标准就说明可以用了,后面的选择就不那么重要了,F1还是其他的都可以。现在问题是 这种评价方式是我们自己想出来的,不知道有没有别的问题,所以听听你们的建议
基本上我们的思路是差不多的~~~
from metis.
Related Issues (20)
- 如何迁移训练好的模型
- 报错:Could not locate METIS dll
- metis 前端启动报错 HOT 3
- django index not found
- c的推理接口 和 python 接口从功能上是一致的吗
- 有监督xgboost部分是一段数据一个标签吗
- 想请教下,关于metis连接数据库的问题
- mac 用docker 启动无法访问 HOT 1
- 响应中的中文‘操作成功’未正常编码,实际显示为\u64cd\u4f5c\u6210\u529f HOT 1
- 自定义取值间隔应该如何修改代码?
- 你好,实时的异常检测,对于前面的数据的,如果判断10:00分为异常,那么10:01分再去判断的时候,10:00分的数据怎么去处理呢
- 为什么预测时特征向量前面有一个10?
- 看样子是停更了,还有人在用这个吗?具体咋样的呢? HOT 6
- 如何接入zabbix
- UI组件库
- 请求一个前端打包后的文件夹 HOT 1
- XGBoostError at /PredictValue
- 启动的时候报错 HOT 6
- 腾讯织云Metis异常检测原理刨析
- 测试HTTP接口报错
Recommend Projects
-
React
A declarative, efficient, and flexible JavaScript library for building user interfaces.
-
Vue.js
🖖 Vue.js is a progressive, incrementally-adoptable JavaScript framework for building UI on the web.
-
Typescript
TypeScript is a superset of JavaScript that compiles to clean JavaScript output.
-
TensorFlow
An Open Source Machine Learning Framework for Everyone
-
Django
The Web framework for perfectionists with deadlines.
-
Laravel
A PHP framework for web artisans
-
D3
Bring data to life with SVG, Canvas and HTML. 📊📈🎉
-
Recommend Topics
-
javascript
JavaScript (JS) is a lightweight interpreted programming language with first-class functions.
-
web
Some thing interesting about web. New door for the world.
-
server
A server is a program made to process requests and deliver data to clients.
-
Machine learning
Machine learning is a way of modeling and interpreting data that allows a piece of software to respond intelligently.
-
Visualization
Some thing interesting about visualization, use data art
-
Game
Some thing interesting about game, make everyone happy.
Recommend Org
-
Facebook
We are working to build community through open source technology. NB: members must have two-factor auth.
-
Microsoft
Open source projects and samples from Microsoft.
-
Google
Google ❤️ Open Source for everyone.
-
Alibaba
Alibaba Open Source for everyone
-
D3
Data-Driven Documents codes.
-
Tencent
China tencent open source team.
from metis.