1.背景：分类（Classification）是数据挖掘领域中的一种重要的技术，它是从一组已知的训练样本中发现分类模型，并且使用这个分类模型来预测待分类样本。建立一个有效的分类算法模型最终将待分类的样本进行处理是非常有必要的。目前常用的分类算法主要有：朴素贝叶斯分类算法（NaïveBayes）、支持向量机分类算法（SupportVector Machines）、 KNN最近邻算法(k-Neares
转载
2024-04-03 12:24:11
22阅读
引言算法原理数学实例算法优缺点1算法优点2算法缺点 1.引言 俗话说：“物以类聚，人以群分”，在我看来KNN（K-Nearest-Neighbor）算法就是这句话经典的诠释，KNN算法是一种“多分类”算法，也是最简单的易懂的机器学习算法（没有之一），同时KNN算法没有明显的训练模型的过程，它是“懒惰学习”的著名代表。在一般的机器学习算法中，都会经历两个阶段：训练阶段，预测阶段，但是在，在KN
转载
2024-07-05 21:09:52
113阅读
1.二分类评价标准介绍在进行二分类后需要对分类结果进行评价，评价的标准除了常用的正确率之外还有召回率精确度，虚警率和漏警率等。首先介绍一下最常用的正确率正确率(Accuracy)表示正负样本被正确分类的比例，计算公式如下：其中 表示正类样本被正确分类的数目，表示负类样本被正确分类的数目，表示负类样本被分为正类的数目，表示正类样本被分为负类的数目。 如下表所示：精确率（Precision）表示原本为
KNN算法，也就是对应的最近邻规则算法 KNN算法的优缺点， 是对K的选择是敏感的。 算法优点是容易实现，简单，通过的对k的选择具备丢噪音的健壮性的过程的。 缺点： 空间复杂度是比较高的（因为存在大量的计算的过程的。） 我们在选择k的时候总是选择奇数，因为我们这样总是能够以少数服从多数的方式，采用的投票的方式来决定类别的 当我们数据集分布不是平衡的时候，比如其中一类样本量过大时候，新的未知样本是容
转载
2024-09-18 17:41:37
90阅读
我是初学者有不对的地方请多指教
1分类和回归的区别 简单的理解 输出Y是连续的 例如房价多少 花瓣长短 这些就是回归 ，如果输出是离散的 分几类的 例如手写识别这些都是属于分类分类算法需要标签训练 knn属于监督学习算法简单的k临近值 预测房价假如我有一个三居室想挂在爱比邻出租 不知道租金写多少合适，正常的会去爱比邻搜一下 和我房子类似的租多少钱； k临近值算法就和这个原理差不多第一步
学习目录：一.sklearn转换器和估计器1.转换器（特征工程的父类） 2.估计器（sklearn机器学习算法的实现） 第一步：实例化一个estimator 第二步：estimator.fit(x_train,y_train)训练和计算（调用完毕，模型生成） 第三步：模型评估 1.直接比对真实值和预测值  
最近在利用DCNN模型训练自己的数据集，利用SS数据集进行测试，做二分类，结果刚开始训练模型的准确率就为1，后面也是这样，主要原因还是数据集打乱的还不够，不能只靠tensorflow的shuffle操作来打乱，最好先打乱顺序后制作好tfrecords文件，再用shuffle函数打乱一次。 主要步骤如下： （1）找到SS标签文件 （2）制作TFRecords文件 （3）开始训练关于制作TFRecor
转载
2023-09-18 06:24:44
132阅读
# Python中检查测试集准确率
在机器学习和数据科学领域，我们经常需要对模型进行评估，以了解其在新数据上的表现。其中一个常用的评估指标就是准确率。准确率是指模型在测试集上正确预测样本所占的比例，通常用百分比表示。
在Python中，我们可以使用各种库来计算模型的准确率，例如Scikit-learn。在本文中，我们将介绍如何使用Python来检查测试集的准确率，并给出相应的代码示例。
##
原创
2024-06-22 04:25:53
62阅读
对于业务用户来说，希望技术团队完成的是正确分类，区别无分是分成两类还是多类，是一个级别的分类还是多个级别的分类，然后要求准一点。那么什么是准一点呢？也许用户还没有意识到这个问题的复杂性，或者说没有意识到他们真正关心的是什么。由于多分类问题可以简化为多个二分类问题，我们直接来分析看似简单的二分类问题。准一点就是准确度（Accuracy），也就是说用户给了我们数据，我们分好类把答卷交给用户，用户判卷子
转载
2024-05-16 11:15:51
78阅读
knn算法是人工智能的基本算法，类似于语言中的"hello world!",python中的机器学习核心模块：Scikit-LearnScikit-learn（sklearn）模块，为Python语言实现机器学习的核心模块，其包含了大量的算法模型函数API，可以让我们很轻松地创建、训练、评估 算法模型。同时该模块也是Python在人工智能（机器学习）领域的基础应用模块。核心依赖模块：NumPy：p
## 深度学习模型测试集准确率为1
深度学习是人工智能领域的一个重要分支，它使用大量数据来训练神经网络模型，以便让机器能够完成各种复杂的任务。在深度学习中，模型的性能通常通过测试集准确率来衡量，即在测试数据上的预测准确率。当一个深度学习模型的测试集准确率为1时，意味着该模型在测试数据上的预测完全正确，没有出现任何错误。
### 深度学习模型的训练和测试
在深度学习中，模型的训练过程通常分为两
原创
2024-07-07 04:06:50
532阅读
1.KNN算法KNN算法即K-临近算法，采用测量不同特征值之间的距离的方法进行分类。以二维情况举例： 假设一条样本含有两个特征。将这两种特征进行数值化，我们就可以假设这两种特种分别为二维坐标系中的横轴和纵轴，将一个样本以点的形式表示在坐标系中。这样，两个样本直接变产生了空间距离，假设两点之间越接近越可能属于同一类的样本。如果我们有一个待分类数据，我们计算该点与样本库中的所有点的距离，
一、kNN概念描述kNN算法又称为k最近邻(k-nearest neighbor classification)分类算法。所谓的k最近邻，就是指最接近的k个邻居（数据），即每个样本都可以由它的K个邻居来表达。kNN算法的核心思想是，在一个含未知样本的空间，可以根据离这个样本最邻近的k个样本的数据类型来确定样本的数据类型。  
转载
2024-05-21 10:17:46
51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
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
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
553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
922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
前几天，帮朋友处理一个深度学习网络问题，具体场景是这样的，总共有12张，分为3个类别，同时作为训练集跟验证集，训练集跟验证集的预处理一样，使用的模型为ResNet50，最后的激活函数为softmax。使用keras框架，总共10个epoch，每个epoch都是只有1个batch（因为数据集就12张图片，所以一个batch也就12张图片）。在训练前几个epoch时，训练准确率便达到100%，因为模型
转载
2024-03-11 11:57:01
2520阅读
