7.1数据挖掘模型的优化要遵循有效、适度的原则
- 有效原则：模型的结论或者应用效果是否满足当初业务需求
- 适度原则：投入产出性价比
7.2如何有效地优化模型
7.2.1从业务思路上优化模型是最重要的模型优化措施
- 有没有更加明显且直观的规则、指标可以代替复杂的建模
- 有没有一些明显的业务逻辑（业务假设）在前期的建模阶段被疏忽
- 通过前期的初步建模和数据熟悉，是否有新的发现，甚至能颠覆之前的业务推测或者业务直觉
- 目标变量的定义是否稳定（在不同的时间点抽样验证）
7.2.2从建模的技术思路上优化
7.2.3从建模的技术技巧上优化
7.3如何思考优化的限度
7.4模型效果评价的主要指标体系（二元目标变量）
7.4.1评价模型准确度和精度的系列指标
- True Positive(TP)：指模型预测为正（1）的，并且实际上也的确是正（1）的观察对象数量
- True Negative(TN)：指模型预测为负（0）的，并且实际上也的确是正（0）的观察对象数量
- False Positive(FP)：指模型预测为正（1）的，并且实际上是负（0）的观察对象数量
- False Negative(FN)：指模型预测为负（0）的，并且实际上是正（1）的观察对象数量
第七章：数据挖掘建模的优化和限度
原文：https://www.cnblogs.com/jp-mao/p/9788845.html
