瓦房店网站建设搜索引擎优化的七个步骤

补充：关于“适应度函数”

适应度函数（Fitness Function）是用来衡量一个解（或模型）“好坏”的函数，常见于遗传算法、进化算法、贝叶斯优化等智能优化方法中。

通俗理解：
适应度函数就像“打分标准”，用来评价每一个候选解的优劣。分数越高，说明这个解越优秀，越接近我们想要的目标。

在机器学习/优化中的作用：

• 输入：一个解（比如一组超参数、一个模型结构等）
• 输出：一个分数（比如准确率、损失值的相反数、收益等）

例子：

• 如果你在做分类问题，适应度函数可以是模型在验证集上的准确率。
• 如果你在做回归问题，适应度函数可以是负均方误差（MSE 越小越好，所以取负数让分数越大越好）。

总结：
适应度函数就是用来“打分”，帮助算法找到最优解的标准。分数越高，解越好。

关注在输出结果上

输出：

模型整体表现

• 准确率（accuracy）：0.77，说明模型在测试集上有77%的样本预测正确。

---

对不同类别的表现

• 类别0（未违约）：

  • 精确率（precision）：0.77
  • 召回率（recall）：0.98
  • F1值：0.86
  • 说明：模型对未违约用户识别得非常好，几乎不会漏掉未违约的样本（召回率高），但有一部分违约用户被误判为未违约（精确率略低于召回率）。

• 类别1（违约）：

  • 精确率：0.83
  • 召回率：0.29
  • F1值：0.43
  • 说明：模型对违约用户的识别能力较弱，只有29%的违约用户被正确识别出来（召回率低），但一旦模型判断为违约，准确性还是比较高的（精确率高）。

---

混淆矩阵分析

• [[1034, 25], [315, 126]]
  • 1034：真正例（未违约预测对了）
  • 25：假正例（未违约被误判为违约）
  • 315：假负例（违约被误判为未违约）
  • 126：真负例（违约预测对了）
• 说明：模型更容易把违约用户预测成未违约（漏判较多），但很少把未违约预测成违约（错杀较少）。

---

类别不平衡影响

• 违约样本（1）召回率低，说明模型对少数类（违约）不敏感，容易漏判。
• 这在实际金融风控中可能不是理想结果，因为漏掉违约风险较大。

---

优化效果

• 粒子群优化后，模型参数为：n_estimators=200, max_depth=18, min_samples_split=4, min_samples_leaf=1，说明模型容量较大，拟合能力较强，但对少数类的识别还可以进一步提升（比如通过调整类别权重、采样方法等）。

手写笔记复习

今日复习到这里，这一部分主要关注其输入输出，会调用即可。明日继续，加油！！！@浙大疏锦行