当前位置：首页 > wzjs >正文

舞台灯光网站建设线上销售水果营销方案

wzjs 2025/9/22 9:28:41

舞台灯光网站建设,线上销售水果营销方案,设计师个人网站,有播放量就有收益的自媒体平台快手机器学习算法一、AUC（Area Under the ROC Curve）怎么计算？AUC接近1可能的原因是什么？ 见【搜广推校招面经四】 AUC 是评估分类模型性能的重要指标，用于衡量模型在不同阈值下区分正负样本的能力。它是 ROC 曲线…

快手机器学习算法

一、AUC（Area Under the ROC Curve）怎么计算？AUC接近1可能的原因是什么？

见【搜广推校招面经四】
AUC 是评估分类模型性能的重要指标，用于衡量模型在不同阈值下区分正负样本的能力。它是 ROC 曲线（Receiver Operating Characteristic Curve）下的面积。

1.1. ROC 曲线的坐标

ROC 曲线以 真正例率（True Positive Rate, TPR） 为纵轴，假正例率（False Positive Rate, FPR） 为横轴。

1.1.1. 真正例率(TPR) = 召回率(Recall) = 灵敏度(Sensitivity)

$\frac{TP}{TP + FN} = \frac{TP}{P}$
其中：

$T P$ ：真正例（True Positives），即模型正确预测的正样本数。
$F N$ ：假反例（False Negatives），即模型错误预测的负样本数。

2.2 假正例率（FPR）

$\frac{FP}{FP + TN} = \frac{FP}{N}$
其中：

$F P$ ：假正例（False Positives），即模型错误预测的正样本数。
$T N$ ：真反例（True Negatives），即模型正确预测的负样本数。

1.2. AUC 的计算公式

AUC 是 ROC 曲线下的面积，可以通过以下方法计算：

1.2.1. 积分法

$\int_{0}^{1} TPR(FPR) \, dFPR$
即对 ROC 曲线下的面积进行积分。

1.2.2. 排序法（更常用）

AUC 可以通过对样本的预测概率进行排序计算：
$\frac{\sum_{i=1}^{N_+} \sum_{j=1}^{N_-} \mathbb{I}(p_i > p_j)}{N_+ \times N_-}$
其中：

( N_+ )：正样本的数量。
( N_- )：负样本的数量。
( p_i )：第 ( i ) 个正样本的预测概率。
( p_j )：第 ( j ) 个负样本的预测概率。
$\mathbb{I}(p_i > p_j)$ ：指示函数，当 $p_i > p_j$ 时为 1，否则为 0。

1.3. 手撕AUC

def cal_auc_1(label, pred):numerator = 0    # 分子denominator = 0  # 分母for i in range(len(label) - 1):for j in range(i, len(label)):if label[i] != label[j]:denominator += 1# 统计所有正负样本对中，模型把相对位置排序正确的数量r = (label[i] - label[j]) * (pred[i] - pred[j])if r > 0:numerator += 1elif r == 0:numerator += 0.5return numerator / denominator

二、LR逻辑回归的损失函数，使用熟悉的语言，写出交叉熵的伪代码

首先明确，逻辑回归的损失函数是交叉熵损失函数，也被称为对数损失函数（log loss）。
手撕：见【搜广推校招面经二十三】

import numpy as npclass LogisticRegression:def __init__(self, learning_rate=0.01, num_iterations=1000):self.learning_rate = learning_rate  # 学习率self.num_iterations = num_iterations  # 迭代次数self.theta = None  # 模型参数def sigmoid(self, z):"""计算 Sigmoid 函数"""return 1 / (1 + np.exp(-z))def compute_cost(self, X, y):"""计算交叉熵损失函数"""m = len(y)h = self.sigmoid(np.dot(X, self.theta))cost = - (1/m) * np.sum(y * np.log(h) + (1 - y) * np.log(1 - h))return costdef gradient_descent(self, X, y):"""梯度下降优化"""m = len(y)for i in range(self.num_iterations):h = self.sigmoid(np.dot(X, self.theta))  # 计算预测值gradient = (1/m) * np.dot(X.T, (h - y))  # 计算梯度self.theta -= self.learning_rate * gradient  # 更新参数if i % 100 == 0:  # 每100次输出一次损失值cost = self.compute_cost(X, y)print(f"Iteration {i}, Cost: {cost}")def fit(self, X, y):"""训练模型"""m, n = X.shapeself.theta = np.zeros(n)  # 初始化参数self.gradient_descent(X, y)def predict(self, X):"""预测新样本的类别"""probabilities = self.sigmoid(np.dot(X, self.theta))return probabilities >= 0.5  # 预测类别：如果大于等于 0.5，分类为 1，否则为 0