一、决策树（Decision Trees）的优缺点 决策树的优点： 1、决策树易于理解和解释.人们在通过解释后都有能力去理解决策树所表达的意义。 2、对于决策树，数据的准备往往是简单或者是不必要的.其他的技术往往要求先把数据一般化，比如去掉多余的或者空白的属性。 3、 能够同时处理数据型和常规型属性。其他的技术往往要求数据属性的单一。 4、决策树是一个白盒模型。如果给定一个观察的模型，那么根据所产
导读计算机视觉主要问题有图像分类、目标检测和图像分割等。针对图像分类任务，提升准确率的方法路线有两条，一个是模型的修改，另一个是各种数据处理和训练的tricks。图像分类中的各种技巧对于目标检测、图像分割等任务也有很好的作用。本文在精读论文的基础上，总结了图像分类任务的各种tricks。目录：WarmupLinear scaling learning rateLabel-smoothingRand
转载
2024-05-19 15:15:40
67阅读
训练集在训练过程中，loss稳步下降，准确率上升，最后能达到97% 验证集准确率没有升高，一直维持在50%左右（二分类问题，随机概率） 测试集准确率57% 在网上搜索可能打的原因： 1.learning rate太小，陷入局部最优2.训练集和测试集数据没有规律3.数据噪声太大4.数据量太小（总共1440个样本，80%为训练集）5.训练集和测试集数据分布不同：如训练集正样本太少（如果训练集和测试集每
转载
2024-05-09 12:09:45
196阅读
0 摘要论文名称：High-frequency Component Helps Explain the Generalization of Convolutional Neural Networks 论文地址：https://arxiv.org/abs/1905.13545 github：https://github.com/HaohanWang/HFC每当我们训练完一个CNN模型进行推
转载
2024-05-26 19:56:17
8阅读
Ren, Shaoqing, et al. “Faster R-CNN: Towards real-time object detection with region proposal networks.” Advances in Neural Information Processing Systems. 2015.本文是继RCNN[1]，fast RCNN[2]之后，目标检测界的领军人物Ros
转载
2024-08-12 12:15:45
540阅读
Datawhale 零基础入门CV赛事-Task3 字符识别模型在前面的章节，我们讲解了赛题的背景知识和赛题数据的读取。本章开始构建一个字符识别模型，基于对赛题理解本章将构建一个定长多字符分类模型。3 字符识别模型本章将会讲解卷积神经网络（Convolutional Neural Network, CNN）的常见层，并从头搭建一个字符识别模型。3.1 学习目标学习CNN基础和原理使用Pytorch
机器学习 - 评价指标含义指标准确率（Accuracy）召回率（Recall） / 灵敏度（Sensitive）特异度（Specificity）精准度（Precision）F ScoreROC曲线（Receiver Operating Characteristic Curve）AUC（Area Under Curve）（Python代码） （介绍在机器学习的 二分类 场景中，通过哪些指标对模型
转载
2024-07-23 20:49:26
51阅读
# 使用CNN进行分类准确率与Loss的可视化
在深度学习中，卷积神经网络（CNN）广泛应用于图像分类、物体检测等任务。在训练CNN时，模型的准确率和损失（loss）是两个重要的指标，可以帮助我们了解训练过程中模型的表现。本文章将探讨如何可视化这些指标，并提供Python代码示例。
## 1. 准备数据集
在本示例中，我们将使用经典的MNIST手写数字数据集。MNIST数据集包含了大量的手写
评价模型的预测效果，在训练过程中通常需要比较预测值与真实标签值的差距，即误差。目录图像分类过程的评价指标混淆矩阵正确率/准确率精准率召回率F1分数图像分割过程的评价指标混淆矩阵混淆矩阵的生成代码IOU与MIOUIOU计算代码dice系数dice系数计算代码IOU与dice系数的关系图像分类过程的评价指标混淆矩阵行表示真实类别，列表示预测类别。
转载
2024-03-26 14:16:03
251阅读
深度学习首先： 导致这个问题的原因可能是因为学习率α的问题如果要真正理解为什么loss 上升, 并且 准确率降低要从梯度下降算法说起线性回归问题因为我们是线性回归问题, 要使这条直线比较符合上边标记点的走向，因此我们要更新斜率和截距来使其更好的贴合这写标记衡量是否是最佳贴合这些标记的直线的标准就是cost function 损失函数这个损失函数的计算方法在这里就不做过多的解释了但是如果当直线是这样
转载
2024-07-11 13:44:13
177阅读
小伙伴们，终于到了实战部分了！今天给大家带来的项目是用PaddlePaddle进行车牌识别。车牌识别其实属于比较常见的图像识别的项目了，目前也属于比较成熟的应用，大多数老牌厂家能做到准确率99%+。传统的方法需要对图像进行多次预处理再用机器学习的分类算法进行分类识别，然而深度学习发展起来以后，我们可以通过用CNN来进行端对端的车牌识别。任何模型的训练都离不开数据，在车牌识别中，除了晚上能下载到的一
# Python CNN计算准确率的科普文章
卷积神经网络（Convolutional Neural Networks, CNN）作为深度学习中的一种特殊架构，被广泛应用于图像识别和图像处理等领域。准确率是评估模型性能的一个重要指标，本文将介绍如何在Python中使用CNN计算准确率，并提供详细的代码示例。
## 1. 什么是CNN？
CNN是一种前馈神经网络，它主要通过卷积层，池化层和全连
原创
2024-09-25 04:33:31
189阅读
数据增强（Data Augmentation）（本人水平有限，请广大读者批评指正！！！！） 深度学习通常需要大量的数据作为支撑，看到那些公开的数据集，少的也有几十万张，但是在现实中，我们能拥有的数据集网络没有那么到。但是数据量少，往往会造成过拟合等问题，因此需要一些“奇巧淫技”来增强数据，正好本人在看斯坦福的CS231N课程中的这方面介绍，因此做个总结。结合课程和网上查看的资料，将Da
转载
2024-07-09 16:28:25
221阅读
如下图：了解DL的三步骤；三步做完之后，获得一个NN，接着检查所得到的模型，根据检查的结果执行相应的措施。对于DL来说，过拟合往往不是你首先会碰到的问题，反而是训练过程就很难得到满意的结果，即可能训练集上的准确率就一直很低。如果你在训练集上准确率很高了，但在测试集上准确率低，那才是过拟合。 &nbs
转载
2024-05-09 12:01:16
232阅读
RCNN通过卷积神经网络提取图像特征，第一次将目标检测引入了深度学习领域。SPPNet通过空间金字塔池化，避免了对于同一幅图片多次提取特征的时间花费。但是无论是RCNN还是SPPNet，其训练都是多阶段的。首先通过ImageNet预训练网络模型，然后通过检测数据集微调模型提取每个区域候选的特征，之后通过SVM分类每个区域候选的种类，最后通过区域回归，精细化每个区域的具体位置。为了避免多阶段训练，同
转载
2024-06-27 06:12:27
43阅读
组合分类方法简介基本思想：组合分类把k个学习得到的模型（或基分类器）M1，M2，···，Mk组合在一起，旨在创建一个改进的复合分类器模型M*。使用给定的数据集D创建k个训练集D1，D2，···，Dk，其中Di用于创建分类器Mi。现在给定一个待分类的新数据元组，每个基分类器通过返回类预测进行投票。组合分类器基于基分类器的投票返回类预测。 目前常用的组合分类器有：装袋、提升和随机森林。下面就对这三种分
转载
2024-06-05 10:04:54
37阅读
图像分类的评价指标不同的图像（注意单位，是一张图像，最后理解的如手写体的图像集）划分到不同的类别、单标签分类问题就是每一张图都有唯一的类别； 单标签分类的评价指标有：准确率(Accuracy),精确率（Precision）,召回率（Recall）,F1-score,混淆矩阵，ROC曲线和AUC； 在计算这些指标之前，需要先计算几个基本的指标：TP:正样本且分类为正样本的数目为
转载
2024-01-28 00:11:50
543阅读
机器学习分类算法的评价指标有：混淆矩阵（Confuse Matrix）、准确率（Accuracy）、错误率（ErrorRate）、精准率（Precision）和召回率（Recall）、F1 Score、ROC曲线(Receiver Operating Characteristic Curve)、AUC（Area Under the Curve）、KS曲线、Lift值、P-R曲线 。接下来对以上这些
转载
2023-12-08 09:59:23
913阅读
先给出西瓜书上的定义：精确率——查准率——precision召回率——查全率——recall可以很容易看出, 所谓 TRUE/FALSE 表示从结果是否分对了, Positive/Negative 表示我们认为的是"正例" or "反例".再加上准确率：此外还有值，是精确率和召回率的调和均值：精确率和召回率都高时，值也会高。精确率是针对我们预测结果而言的，它表示的是预测为正的样本中有多少是真正的正
1 三个评价指标的意义精确率：在**被识别为正类别的样本（预测分类结果）中，确实为正类别的比例是多少 召回率：在所有正类别样本（真实分类结果）**中，被正确识别为正类别的比例是多少？ 准确率：在所有样本中，被正确识别的样本的比例是多少？2 二分类中三个评价指标的计算公式若一个实例为正类，实际预测为正类，即为真正类(True Positv TP)若一个实例为负类，实际预测为负类，即为真负类(True
转载
2024-01-03 06:31:52
230阅读
