机器学习术语

准确率 = (42+32)/(42+8+18+32)

这是 0.72

假设我们有一个分类器，它总是预测“女性”。在这种情况下，我们的准确率为 50%。

| 混淆

矩阵 | 预测类别 |

| — | — |

| 男性 | 女性 |

| 实际

班级 | 男性 | 0 | 50 |

| 女性 | 0 | 50 |

我们将证明所谓的准确性悖论。

垃圾邮件识别分类器由以下混淆矩阵描述：

| 混淆

矩阵 | 预测类别 |

| — | — |

| 垃圾邮件 | 火腿 |

| 实际

班级 | 垃圾邮件 | 4 | 1 |

| 火腿 | 4 | 91 |

这个分类器的准确度是 (4 + 91) / 100，即 95%。

以下分类器仅预测“ham”并具有相同的准确性。

| 混淆

矩阵 | 预测类别 |

| — | — |

| 垃圾邮件 | 火腿 |

| 实际

班级 | 垃圾邮件 | 0 | 5 |

| 火腿 | 0 | 95 |

该分类器的准确率为 95%，即使它根本无法识别任何垃圾邮件。

准确率和召回率

---

| 混淆

矩阵 | 预测类别 |

| — | — |

| 消极的 | 积极的 |

| 实际

班级 | 消极的 | 田纳西州 | FP |

| 积极的 | FN | TP |

准确性： (吨N+吨磷)/(吨N+吨磷+FN+F磷)

精确： 吨磷/(吨磷+F磷)

记起： 吨磷/(吨磷+FN)

监督学习

---

机器学习程序被赋予输入数据和相应的标签。这意味着必须事先由人类标记学习数据。

无监督学习

---

没有为学习算法提供标签。该算法必须找出输入数据的聚类。
强化学习

计算机程序与其环境动态交互。这意味着程序会收到正面和/或负面反馈以提高其性能。
自我介绍一下，小编13年上海交大毕业，曾经在小公司待过，也去过华为、OPPO等大厂，18年进入阿里一直到现在。

深知大多数Python工程师，想要提升技能，往往是自己摸索成长或者是报班学习，但对于培训机构动则几千的学费，着实压力不小。自己不成体系的自学效果低效又漫长，而且极易碰到天花板技术停滞不前！

因此收集整理了一份《2024年Python开发全套学习资料》，初衷也很简单，就是希望能够帮助到想自学提升又不知道该从何学起的朋友，同时减轻大家的负担。

既有适合小白学习的零基础资料，也有适合3年以上经验的小伙伴深入学习提升的进阶课程，基本涵盖了95%以上前端开发知识点，真正体系化！

由于文件比较大，这里只是将部分目录大纲截图出来，每个节点里面都包含大厂面经、学习笔记、源码讲义、实战项目、讲解视频，并且后续会持续更新

如果你觉得这些内容对你有帮助，可以扫码获取！！！（备注：Python）

伙伴深入学习提升的进阶课程，基本涵盖了95%以上前端开发知识点，真正体系化！**

由于文件比较大，这里只是将部分目录大纲截图出来，每个节点里面都包含大厂面经、学习笔记、源码讲义、实战项目、讲解视频，并且后续会持续更新

如果你觉得这些内容对你有帮助，可以扫码获取！！！（备注：Python）