我很难在脑海中区分这两个概念。
我知道诸如BLEU之类的评估指标可用于根据参考来衡量给定输入的质量（如在机器翻译中）。但是这个分数可以用来将句子分为两类吗？例如，某个评估指标得分高于 0.50 的句子将被给予“是”，而低于 0.50 的所有内容将被给予“否”。
此外，这可能与机器学习算法中使用的特征有关吗？例如，说短语“过去”是数据的一个可能特征，然后可用于将输入分类为具有或不具有此特征。
问问题
824 次
1 回答
1
似乎您完全错过了这里基本概念的含义。
- 评估指标是一个给出的函数：一些模型/算法答案和一些黄金标准（由专家提供的真实答案）衡量您的模型/算法有多好。它与实际的分类过程没有任何关系（好吧，不是没有，因为它经常用于交叉验证和调整模型的参数）。它不用于做出任何决定，它是一种量化结果有多好的方法。
- 特征只是数据表示，所以从某种意义上说，它们是问题的一部分，并且特征的正确选择（也称为特征工程）对模型的质量有很大的影响。但是“数据的一个可能特征，然后可用于将输入分类为具有或不具有此特征”是相当没有意义的。特征是某个函数的值，通常称为特征检测器，我们称之为它
f，它应用于您的输入对象x返回一些值，例如 - 数字，或某些现象的 0/1（不存在/存在）表示。例如，这样的特征可能是（对于文本文档）“给定文本是否包含子字符串“过去”，等等f("I like trains")=false (0)，并且f("I liked trains in the past")=1 (true). 您不需要训练分类器来检测特征，而是使用一些简单（有效）的算法来提取它们来表示您的数据，然后将其用于将它们分类到某些类中。一旦有了f，“将输入分类为具有此功能”就没有意义了，因为正是f这样做的。当然，当某些数据点不可用时，可以实际训练分类器以“填充”缺失的特征，但这是一个更高级的主题，它似乎不是您问题的一部分。
我建议您观看 Andrew Ng 的一些很棒的机器学习介绍视频，可在 coursera 平台上获得：https ://class.coursera.org/ml/lecture/preview
于 2013-09-12T15:09:14.380 回答