Я смотрел курс профессора Эндрю по машинному обучению на 6 неделе. (https://www.coursera.org/learn/machine-learning/home/week/6)
На этой неделе он говорил об использовании кривых обучения (вы строите график взяв m случайных примеров из нашего обучающего набора, обучите нашу модель и вычислите ошибку модели на m обучающих примерах и на всем проверочном наборе. Ошибка может быть ошибочной мерой классификации, если это проблема классификации). Я понимаю, что эта кривая обучения позволит нам понять, имеет ли наша модель большое смещение или высокую дисперсию, но:
Что, если наши данные искажены? Это означает, что количество положительных примеров намного меньше, чем количество отрицательных примеров. Сможет ли он по-прежнему сказать мне, имеет ли моя модель высокий уровень смещения или большой разброс? Поможет ли принятие мер по точному отзыву в обнаружении такой проблемы?
Примечание: Пожалуйста, сообщите мне, если что-то неясно; Я даже не уверен, что меня смущает ... Спасибо!