分类器

sklearn分类器性能指标

分类器性能评估指标

只限于二元单元标签分类问题
在这里插入图片描述

可用于二元多标签分类问题的评估指标
在这里插入图片描述
如何将二元分类指标扩展到多类或多标签问题中去
在这里插入图片描述
可用于多类分类问题的评估指标(紫色的可用于多标签问题)
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

accuracy_score准确率

函数计算分类准确率:返回被准确分类的样本比例或者数量,
在多标签分类任务中,该函数返回自己的准确率。对于一个给定的多标签样本,如果预测得到的标签集合与该样本真正的标签集合严格吻合,则subset accuracy=1.0,否则就是0对于第i个样本,其真正的类标签就是yi而分类器预测的类标签是在这里插入图片描述总共有n sample个样本
在这里插入图片描述

混淆矩阵

在机器学习尤其是统计分类中,混淆矩阵也被称为错误矩阵,是一个特别的表示,用来可视化(监督)学习算法的性能。无监督学习中,通常被称为匹配矩阵
矩阵的每一列表达了分类器对样本的类别预测,而矩阵的每一行则表达了样本所属真是类别
在这里插入图片描述
table of confusion
在预测分析中,table of confusion,是一个两行两列表,这个表报告了四个预测相关事件发生数量,false positivies,false negativies, true positivies,true negativies。这个表可以让我们更详细的分析预测系统性能,而不是仅仅用一个准确率
Accuracy 是一个不可分靠的分类器性能度量标准。因为当数据集中不同类别的样本数量分布不平衡时候,它将会产生误导人结果
比如说,如果数据集中95个猫5个狗,分类器简单偏向所有样本分为猫,这样总体准确率为95%,但实际猫的准确率为95%,狗准确率为0
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

sklearn中相关函数

在这里插入图片描述
在这里插入图片描述

关于precision和accuracy的区别

简单来说,给定一组测量点构成的集合
说这个测量集合是精确的,(precision)也就是说所有测量点到测量点集合的均值非常近:与测量点的方差有关
说这个测量点是准确的,(accuracy)也就是说所有测量点到真实值非常近。与测量点的偏差有关。
这两个概念是相互独立的,因此测量数据点集合可以是accurate,也可以是precise,可以都不是,也可以都会
在这里插入图片描述

在这里插入图片描述

二元分类问题

在这里插入图片描述
在这里插入图片描述

多类多标签分类问题

在这里插入图片描述
在这里插入图片描述

classification report

classification_report函数建立一个文本报告来展示分类器的主要指标
在这里插入图片描述

ROC是什么

在统计学中,ROC曲线是一个graphical plot展示了当discrimination threshold变化的时候二元分类器性能
ROC曲线描述了在各种不同阈值下真正率TPR相对于假正率FPR的取值变化情况,在机器学习中,TPR也被称为灵敏度,召回率,检出率。而FPR被称为虚警率 而且FPR=1-specifity
因此ROC曲线就是。一般来说,如果检出概率分布和虚警概率分布已知的话,ROC曲线上的每一个点可以这样计算出来:Y轴检出率累积概率分布相对于x轴虚警率累积分布
在这里插入图片描述
在这里插入图片描述

ROC space

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

ROC曲线绘制

在这里插入图片描述
在这里插入图片描述

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

损失函数

当学习器的模型选定以后,假定空间类型也基本确定。接下来就是在假设空间中搜索,选择最优的假设,也就是最优的模型参数
损失函数和代价函数:
在这里插入图片描述

损失函数的一般形式:
在这里插入图片描述
风险函数:
度量平均意义上模型预测结果的好坏
风险函数或期望损失如下计算:
在这里插入图片描述
学习的目标就是是的期望损失最小化,由于P(X,Y)是未知的,所以Rexp(f)不能直接计算
给定训练数据集:
在这里插入图片描述
模型f(x)关于训练集的平均损失称为经验风险或经验损失
在这里插入图片描述
根据大数定律,当样本量N趋于无穷时,经验风险将收敛到期望风险。所以我们可以用经验风险来估计期望风险。此时,最小化期望风险就等价于最小经验风险

sklear分类器常用损失函数

在这里插入图片描述

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

sklearn回归器性能评估方法

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.mzph.cn/news/467733.shtml

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈email:809451989@qq.com,一经查实,立即删除!

相关文章

Cucumber+Rest Assured快速搭建api自动化测试平台

转载:http://www.jianshu.com/p/6249f9a9e9c4 什么是Cucumber?什么是BDD?这里不细讲,不懂的直接查看官方:https://cucumber.io/  什么是Rest Assured?传送门:https://github.com/rest-assured…

毕业设计论文选题系统系统用例图_基于UML的毕业设计管理系统的分析与设计

基于UML的毕业设计管理系统的分析与设计毕业设计是实现本科教学培养目标的重要环节,从选题到答辩一般需要四至六个月的时间,其间工作量很大,尤其需要保留大量的文件,以便于管理者对毕业设计工作进行监督。传统的、人工的方式管理各…

让这个该死的服务跑起来了~

#前言被该死的Openssl编译嘲讽了一个下午之前的文章说了我的那个编译的问题,这里说下,知识点有点零散,最后的解决也是一个同事提示,感觉也有点奇葩的赶脚。到目前为止,我现在感受到了写文章的好处,昨晚的问…

深度学习概述

深度学习 传统学习与深度学习 深度学习应用特点 深度学习框架比较 Tensorflow 神经元 卷积核 分类 回归 生成

Python--递归

面向函数编程 def func():print(从前有座山,山里有座庙,庙里有个老和尚讲故事,讲的什么呀?)func() 解耦:尽量把不相关的功能拆开,用的时候再调用函数,增强代码重用性,减少代码变更的…

python相关知识介绍一种理财方法_我是如何使用python来确定理财策略的

老婆在朋友圈里看到了一条理财广告,一条很让人心动的广告,长下面这个样子。这是香港某保险公司的理财方案,大意是每年定投6.65万,投资5年,总共投资33万的样子,那么第10年,你将可以拿到38.6万&am…

传统神经网络

文章目录神经网络的起源:线性回归一个线性回归问题线性回归优化方法:梯度下降梯度计算梯度计算总结线性回归:输出线性回归:局限从线性到非线性非线性激励常用的非线性激励函数tanhRELULecky RELU神经元—神经网络神经网络构建神经…

[BZOJ1669][Usaco2006 Oct]Hungry Cows饥饿的奶牛

1669: [Usaco2006 Oct]Hungry Cows饥饿的奶牛 Time Limit: 5 Sec Memory Limit: 64 MB Submit: 1000 Solved: 655 [Submit][Status][Discuss]Description Farmer John养了N(1 < N < 5,000)头奶牛&#xff0c;每头牛都有一个不超过32位二进制数的正整数编号。FJ希望奶牛…

vue抽屉_VUE组件 之 Drawer 抽屉

{{ title }}Xprops: {//是否打开display: {type: Boolean},//标题title: {type: String,default: 标题},//是否显示关闭按钮closable: {type: Boolean,default: true},//是否显示遮罩mask: {type: Boolean,default: true},//是否点击遮罩关闭maskClosable: {type: Boolean,defa…

深度学习之卷积神经网络

文章目录深度学习之卷积神经网络链式反向梯度链式法则的计算神经网络中链式法则实例二、卷积神经网络-卷积层&#xff08;一&#xff09;什么是卷积层&#xff08;二&#xff09;有什么组成受什么影响&#xff0c;有何特点卷积网络正向传播反向传播卷积和神经网络功能层深度学习…

datatype未定义是什么意思_vue.js一直提示未定义

.sum_price);}temp_status 1;}else{for(var i0;ivm.list.status 0;}vm.total_price 0;temp_status 0;}//更新数据库api.ajax({url: update_allcart_status_url,method: post,timeout: 30,dataType: json,returnAll: false,data: {values: {token: $api.getStorage(token),d…

卷积神经网络高级篇

【 文章目录Alextnet参数计算VGG alexnet增强版VGG参数计算VGG作用GoogleNet 多分辨率融合全卷积神经网络RESNET结构特性有效性结构化图片特殊处理识别效果全局部卷积网络缺陷U-net图片生成网络VGG u-netAlextnet 参数计算 VGG alexnet增强版 VGG参数计算 VGG作用 GoogleNet 多…

sx1268 中文_STM32开发笔记85: SX1268驱动程序设计(芯片唤醒)

单片机型号&#xff1a;STM32L053R8T6本系列开发日志&#xff0c;将详述SX1268驱动程序的整个设计过程&#xff0c;本篇介绍芯片唤醒驱动程序。一、RxDutyCycle模式在讲述本篇内容之前&#xff0c;我们先来看一下SX1268的一种模式RxDutyCycle&#xff0c;译为中文为接收占空比模…

LinuxGPIO操作和MTK平台GPIO

GPIO口配置是一个历史性的问题&#xff0c;不管我们使用什么MCU&#xff0c;单片机也好&#xff0c;ARM也好&#xff0c;都离不开驱动GPIO口。Linux下有一个宏&#xff0c;GPIO_GPIO_SYSFS&#xff0c;打开这个宏后&#xff0c;编译烧录到设备端&#xff0c;去看看sys/class/gp…

Linux cpu亲和力

最近在对项目进行性能优化&#xff0c;由于在多核平台上&#xff0c;所以了解了些进程、线程绑定cpu核的问题&#xff0c;在这里将所学记录一下。不管是线程还是进程&#xff0c;都是通过设置亲和性(affinity)来达到目的。对于[进程]的情况&#xff0c;一般是使用sched_setaffi…

卷积神经网络(目标分类)

文章目录目标分类基本框架数据准备数据扩充数据规范模型设计任务分类局部更改训练细节目标分类基本框架 数据准备 现有数据集的子集&#xff0c;网络采集&#xff0c;现有数据人工标注 数据扩充 原始数据切割&#xff0c;噪声颜色等像素变化&#xff0c;旋转平移 数据规范…

unity获取电磁笔压感_【WPF】获取电磁笔的压感

WPF 不仅支持触控&#xff0c;也支持笔的输入&#xff0c;比如现在比较高大上的电磁笔。便宜的板子一般不配备电磁笔&#xff0c;而是配电容笔&#xff0c;虽然也号称XXX级压感&#xff0c;但是效果自然不可与电磁笔相比。UIElement 类规范了UI元素的基本轮廓&#xff0c;在该类…

安卓9.0添加服务修改SELinux

#文章目录#前言#SELinux来源#SELinux基本框架#SELinux 在不同版本的表现#使用audit2allow工具生成SELinux 权限#完整代码#前言先推荐下之前的SELinux文章&#xff0c;但是那个是7.1的&#xff0c;在9.0上已经在差别很大的了。Android7.1 在init.rc 添加shell服务题外话~在企业里…

卷积神经网络-目标探测

文章目录目标探测介绍任务思路DPMRCNN1&#xff09;候选区域选择2&#xff09;CNN特征提取3&#xff09;分类与边界回归R-CNN总结优点缺陷FAST-RCNNFASTER-RCNNYOLO目标探测介绍 任务 分类获取坐标 目标探测 图片分割 思路 回归问题&#xff1a;利用神经网络进行目标识别&am…

相机视场角和焦距_镜头小讲堂(一)镜头的焦距

在刚购买完相机的时候&#xff0c;我们久会考虑需要什么样的镜头来配合机身来使用。而市场上的镜头种类是在太多了&#xff0c;所以我们就要学习了解下镜头都有哪些种类&#xff0c;选择哪种镜头比较有优势。这也是学习摄影必备的基础知识。01 镜头的焦距焦距是镜头的重要指标&…