机器学习知识总结---2、如何画roc曲线
一、总结
一句话总结：
改变阈值，算出tp和fp
1、roc曲线中，为什么tp（把正样本识别为正样本数）增加，fp（把负样本识别为正样本）也会增加？
鉴别能力一定，让更多好的东西进来，同时也会让更多不好的东西进来，就像小平同志说的，改革开放过后，好的东西会进来，同时苍蝇蚊子也会进来
2、支持向量机映射到高维实例？
比如x=[a,b] => φ(x)=[a^2,b^2,a,b,ab]，就将2维映射到了5维
3、如何理解凸函数代数定义：对于任意的w1和w2，λ属于[0,1]，有 f(λw1+(1-λ)w2) <= f(λw1) + f((1-λ)w2)？
其实λ等于0，就是w2点，如果λ等于1，就是w1点，而λ在0和1之间，所以点就在w1和w2之间
4、svm的φ(x)是无限维的？
φ(x)的设定是无限维的，但是计算可以不用用到这个无限维度
5、roc图（一般tp为纵轴，fp为横轴）中，如果人脸识别开门应用，那么厂商最看重的是哪个点？
fp（把负样本识别为正样本）为0的点的tp（把正样本识别为正样本数）的值
6、机器学习算法识别率高，算法就一定好么？
机器学习算法识别率高，不一定好，有专门的判别方式，也要根据具体的场景
7、svm（svm本身就是处理二分类问题的算法）如何处理多分类的问题？
分成一类或者其它类，其它类里面可以根据情况再分
8、归一化方法选择？
高斯的这个归一化比较好：减均值，除标准差
二、内容在总结中
博客对应课程的视频位置：