2.5 如何评估表示学习
如何评估表示学习
评估表示学习的质量和有效性是确保模型能够成功应用于实际任务的关键步骤。表示学习的目标是从数据中学习到一种有效的、低维的表示，使得下游任务（如分类、回归、聚类等）能够更好地执行。因此，评估表示学习的效果涉及多个维度，包括表示的质量、其对下游任务的影响以及其对模型的泛化能力。
1. 通过下游任务评估表示
表示学习的主要目的是提升下游任务的性能。因此，最直接的评估方法是看表示如何影响下游任务的结果。不同类型的任务可能采用不同的评价指标，通常包括分类任务、回归任务和聚类任务。
1.1 分类任务
对于分类任务，常见的评估指标包括：
- 准确率（Accuracy）：分类正确的样本数占总样本数的比例。
- 精确率（Precision）：预测为正样本中真正正样本的比例。
- 召回率（Recall）：所有真实正样本中被正确分类为正样本的比例。
- F1分数：精确率和召回率的调和平均值，适用于类别不均衡的情况。
- AUC-ROC曲线&#