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)