scoring = ‘neg_mean_squared_error’ 的含义、使用场景及相关知识

scoring = ‘neg_mean_squared_error’ 的含义、使用场景及相关知识

在机器学习中,特别是在 scikit-learn(sklearn)库中,设置 scoring = 'neg_mean_squared_error' 是一种用于回归问题模型的评估指标。下面我将逐步解释其含义、使用场景和相关知识,帮助您全面理解。

1. 含义
  • 基本概念neg_mean_squared_error 是均方误差(Mean Squared Error, MSE)的负值。数学上,MSE 的计算公式为:
    MSE=1n∑i=1n(yi−y^i)2\text{MSE} = \frac{1}{n}\sum_{i=1}^{n}(y_i - \hat{y}_i)^2MSE=n1i=1n(yi
项目定位:一个基于检索增强生成(RAG)技术的旅游领域智能知识问答平台,实现旅游文档的自动化导入与智能问答。 核心技术栈:Python + FastAPI(后端服务)、LangGraph(工作流引擎)、Milvus(向量数据库)、MongoDB(文档数据库)、MinI O(对象存储)、BGE-M3(嵌入模型)、BGE-reranker(重排序模型)、通义千问 Qwen(大语言模型)、MinerU(PDF解析)、SSE( 实时通信)。 功能一:文档导入。用户上传 PDF 或 Markdown 旅游文档,系统通过 MinerU 将 PDF 转为 Markdown,提取图片上传至 MinIO 并调 用 VLM 生成摘要,再按标题层级智能切分文档,利用 BGE-M3 生成稠密+稀疏双向量存入 Milvus,最后通过 LLM 自动提取景点、线 路、酒店、餐厅、城市等实体信息,一并向量化存储。 功能二:智能问答。用户输入问题后,系统首先通过 LLM 分析意图和实体,若信息不明确则返回候选选项供用户交互式澄清;确认 后并行执行三路检索——向量检索(语义匹配)、HyDE 检索(假设性文档增强召回)、Web搜索(MCP协议获取实时信息),经 RRF 倒 数排名融合算法合并,再经 BGE-reranker 语义重排序剔除噪音,最终由 LLM 基于检索结果生成精准答案,支持 SSE 流式逐字输出 。 架构特点:导入和查询两条流程均基于 LangGraph 有向图编排,节点可插拔、异常有兜底;所有敏感配置外置于 .env 文件,环境 解耦;支持一键启动两个 FastAPI 服务(端口 8000 导入、8001 问答),开箱即用。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值