算法衡量标准
原创
2017-08-15 15:51:44
450阅读
均一性：一个簇只包含了一个类别的样本，则满足均一性完整性：同类别的样本被归类到相同的簇中，则满足完整性若使得聚类的簇一直减小，直到剩下一个簇，那么这个聚类的完整性是最好的，但是，均一性是最差的。同理，若n个样本被分为了n个簇，那么这个聚类的均一性一定是最好的，但是完整性确是最差的.这两个是相互影响的.若想均衡一下两个，那么就需要均一性和完整性的加权平均. ARI：adjusted_ran
前言接收者操作特征曲线(ROC)可以用来对分类器的表现可视化，可以依据分类器在ROC上的表现来选择最终的模型。分类性能TP、FP、TN、FN以二分类问题为例，每个实例I将会被映射到正例和负例上{p，n}。模型会将每个实例一个预测结果，结果可能是连续的，也可能是离散的；对于连续的结果，需要根据阈值再进行分类。为了和分类标签区分，我们使用{Y，N}表示每个样本的预测结果。给定一个分类器和一个样本，会有
转载
2023-12-15 10:25:22
64阅读
选择合适的指标在构建机器学习模型时，我们首先要选择性能指标，然后测试模型的表现如何
原创
2023-05-16 06:11:25
149阅读
衡量算法好坏的一般标准是渐进表示的时间复杂度。在n极大的情况下O（n）的算法就没有O（lgn）的算法好。因为n不一定会是非常大，因此常数项可能也会非常重要。这些都是非常明显的道理。但是，实际上还有另外一个非常重要的容易忽视的因素。举个排序的例子。我们都知道插入排序算法的复杂度是O(n^2)的，不如很多O(nlgn)的算法快。但是为什么我们在码牌的时候直觉上一定会选择插入排序算法呢？仅仅是因为牌的数
原创
2013-11-09 11:53:29
1170阅读
文章目录聚类算法性能度量一、兰德指数优点缺点数学公式二、基于互信息的度量优点缺点数学公式三、同质性，完整性和 V-measure优点缺点数学公式四、Fowlkes-Mallows 得分优点缺点五、 Silhouette 系数（轮廓系数）优点缺点六、Calinski-Harabaz 指数优点缺点数学公式七、Davies-Bouldin 指数优点缺点数学公式八、Contingency Matrix（可
转载
2024-03-16 00:39:15
179阅读
点赞
先发代码，其他的过会儿再补。 面积法 double get_
auc(vector<double>& prob, vector<int>& label) { int n = label.size(), pos = 0; vector<pair<double, int>> pl; for (int i ...
转载
2021-08-03 00:19:00
467阅读
2评论
PyTorch入门 2 —— 张量数值运算基本运算点积运算 / 矩阵乘法比较运算逻辑运算初等函数运算统计运算指定运算设备 在神经网络中都会根据需要进行各种向量、矩阵的运算，使用 PyTorch 可以很方便地使用各种函数方法完成计算需求。在 PyTorch 中，计算的数据都是以张量形式存在，PyTorch 为每个张量封装很多实用的计算函数，并且既可以在 CPU 中运算也可以在 GPU 中运算。本篇
转载
2023-11-25 11:24:21
119阅读
AUC（Area under curve）是机器学习常用的二分类评测手段，直接含义是ROC曲线下的面积。另一种解释是：随机抽出一对样本（一个正样本，一个负样本），然后用训练得到的分类器来对这两个样本进行预测，预测得到正样本的概率大于负样本概率的概率。
在有M个正样本,N个负样本的数据集里，利用公式求解：\[AUC=\frac{\sum_{i \in positiveClass} rank_i-\f
转载
2023-05-30 19:13:48
145阅读
1 ROC曲线和auc 从二分类说起，假设我们的样本全集里，所有样本的真实标签（label）为0或1，其中1表示正样本，0表示负样本，如果我们有一个分类模型，利用它对样本进行了标注，那边我们可以得到下面的划分 truth10predictor1TPFP0FNTN TP(true positive)：表示正确的肯定 TN( true negative)：表示正确的否定
AUC（Area under curve）是机器学习常用的二分类评测手段，直接含义是ROC曲线下的面积, 对于二分类模型，还有很多其他评价指标，比如 logloss，accuracy，precision。如果你经常关注数据挖掘比赛，比如 kaggle，那你会发现 AUC 和 logloss 基本是最常见的模型评价指标。 从AUC 判断分类器（预测模型）优劣的标准：A
转载
2023-07-04 12:35:28
411阅读
1.什么是AUC？AUC（are under curve)是一个模型的评价指标，用于分类任务。 那么这个指标代表什么呢？这个指标想表达的含义，简单来说其实就是随机抽出一对样本（一个正样本，一个负样本），然后用训练得到的分类器来对这两个样本进行预测，预测得到正样本的概率大于负样本概率的概率。2.如何计算AUC？方法一在有M个正样本,N个负样本的数据集里。一共有MN对样本（一对样本即，一个正样本与一个
转载
2024-07-04 20:09:36
49阅读
目录Python和ML基础前言1.闭包1.1 基本概念1.2 作业2.sqrt(2)2.1 传统方法2.2 梯度下降法2.3 牛顿法3.拓展3.1 常用函数的导数3.2 链式法则3.3 作业总结 Python和ML基础前言手写AI推出的全新保姆级从零手写自动驾驶CV课程，。记录下个人学习笔记，仅供自己参考。 本次课程主要学习闭包(即返回函数的函数)、导数的相关概念以及利用导数求解sqrt(2)
转载
2024-08-05 19:43:00
29阅读
目录责任结果导向贡献导向商业价值导向突出重点，抓主要矛盾原则分级，分类原则向目标倾斜原则责任结果导向你有能力，但没有完成责任，没有达到服务要求。我们就不能给予肯定，给予你高待遇。以正向考核为主，但要抓住关键事件的逆向考事，事就是事情的事。对每一件错误要逆向去查，找出根本原因，以改进。并从中发现优良的干部。考核的公平：以绩效为中心，关键行为的目的是要产生结果。在结果面前，人人是公平的。评价提拔一个人
转载
2024-04-29 22:54:47
44阅读
ROC 、AUC ROC曲线是评价学习器泛化能力的指标，他纵轴是“真正例率”（TPR），横轴是“假正例率”（FPR），需要FPR越小，TPR越高，则模型越好 TPR = TP / (TP + FN) 可以理解为模型对正例的灵敏度 FPR = FP / (TN + FP) 可以理解为模型对负例的特异度 ...
转载
2021-08-19 22:35:00
660阅读
2评论
面试的时候，一句话说明AUC的本质和计算规则：
AUC：一个正例，一个负例，预测为正的概率值比预测为负的概率值还要大的可能性。
所以根据定义：我们最直观的有两种计算AUC的方法1：绘制ROC曲线，ROC曲线下面的面积就是AUC的值2：假设总共有（m+n）个样本，其中正样本m个，负样本n个，总共有m*n个样本对，计数，正样本预测为正样本的概率值大于负样本预测为正样本的概率值记为1，
假设我们开始import numpy as npfrom sklearn import metrics现在我们设置真实的y和预测分数：y = np.array([0, 0, 1, 1])scores = np.array([0.1, 0.4, 0.35, 0.8])(注意,y已经从你的问题向下移了1.这是无关紧要的：无论是预测1,2或0,1都可以获得完全相同的结果(fpr,tpr,阈值等),但是一
转载
2023-08-25 02:22:47
135阅读
auc介绍：AUC即ROC曲线下的面积，假设是一个二分类的问题，我们如果使用逻辑回归，需要设定一个阈值做分类，AUC的计算方法同时考虑了分类器对于正例和负例的分类能力，在样本不平衡的情况下，依然能够对分类器作出合理的评价roc曲线的横坐标和纵坐标分别是True Positive Rate（真阳率）、False Positive（伪阳率）；TPRate的意义是所有真实类别为1的样本中，预测类别为1的
转载
2023-08-11 22:52:56
465阅读
#利用下列函数方便实现自动化操作
import os
import pyperclip
import pyautogui
from keyboard import is_pressed
from time import sleep
import cv2
def accRecog(recogImgPath, do=pyautogui.click, method=cv2.TM_CCOEFF_NORM
转载
2023-09-22 14:05:47
0阅读
AUC计算 1. 根据定义Aera Under Curve，计算面积。样本有限，所以得到的AUC曲线一般是个阶梯状，所以计算这些阶梯的面积即可。先按score排个序，然后从头遍历一遍，把每个score作为划分阈值，可以得到对应的TPR和FPR，计算出底下的面积。更直观的计算方法，参考《百面机器学习》：这种直接计算面积的方法比较麻烦，一般使用下面的等价方法进行计算。2. AUC
转载
2024-01-03 16:45:05
34阅读
