l love CV

本章的主题是模型评估，但其实在模型训练过程中，我们也在不断地评估着样本间的距离，如何评估样本距离也是定义优化目标和训练方法的基础。在机器学习问题中，通常将特征表示为向量的形式，所以在分析两个特征向量之问的相似性时，常使用余弦相似度来表示。余弦相似度的取值范围是 [-1,11，相同的两个向量之间的相似度为 1。如果希望得到类似于距离的表示，将1减去余弦相似度即为余弦距离因此，余弦距离的取值范围为[0,2]，相同的两个向量余弦距离为 0。

场景描述二值分类器（Binary Classifier）是机器学习领域中最常见也是应用最广泛的分类器。评价二值分类器的指标有很多。比如精确率、召回率、F1 score、P-R曲线等。上一篇已经对这些指标做了一定的介绍，但也发现这些指标或多或少只能反映模型在某一方面的性能。相比而言，ROC曲线则有很多优点、经常作为评估二值分类器最重要的指标之一。下面我们一起来详细了解一下ROC曲线的绘制方法和特点知识点：ROC曲线、曲线下的面积（Area Under Curve，AUC）、P - R曲线问题1：什

“没有测量，就没有科学。。” 这是科学家门捷列夫的名言。在计算机科学特别是机器学习领域中，对模型的评估同样至关重要。只有选择与问题相匹配的评估方法，才能快速地发现模型选择或训练过程中出现的问题，迭代地对模型进行优化。模型评估主要分为离线评估和在线评估两个阶段。针对分类排序、回归、序列预测等不同类型的机器学习问题，评估指标的选择也有所不同。知道每种评估指标的精确定义、有针对性地选择合适的评估指标、根据评估指标的反馈进行模型调整，这些都是机器学习在模型评估阶段的关键问题，也是一名合格的算法工程师应当具备的基本功

一、简介经典的前景提取技术主要使用纹理（颜色）信息，如魔术棒工具，或根据边缘（对比度）信息，如智能剪刀等完成。2004 年，微软研究院(剑桥）的 Rother 等人在论文 GrabCut: Interactive Foreground Exiraction Using lrerated Graph Cuts 中提出了交互式前景提取技术。他们提出的算法，仅需要做很少的交互操作，就能够准确地提取出前景图像。二、前景提取 在开始提取前景时，先用一个矩形框指定前景区域所在的大...

在机器学习中，绝大部分模型都需要大量的数据进行训练和学习（包括有监督学习和无监督学习），然而在实际应用中经常会遇到训练数据不足的问题。比如图像分类、作为计算机视觉最基本的任务之一，其目标是将每幅图像划分到指定类别集合中的一个或者多个类别中。当训练一个图像分类模型时，如果训练样本比较少，该如何处理呢？知识点：迁移学习（Transfer Learning），生成对抗网络，图像处理，上采样技术，数据扩充。

何凯明大神在CVPR 2016上发表的《Deep Residual Learning for Image Recognition 图像识别中的深度残差学习网络》深受工业界的欢迎，自提出以来已经成为工业界最受欢迎的卷积神经网络结构。在coco目标检测任务中提升28%的精度，并基于ResNet夺得ILSVRC的检测、定位，COCO 的检测和分割四大任务的冠军。接下来就一起来看这个广受好评的Resnet

文本是一类非常重要的非结构化数据，如何表示文本数据一直是机器学习领域的一个重要研究方向。谷歌2013年提出的Word2Vec是目前最常用的词嵌入模型之一，Word2Vec 实际是一种浅层的神经网络模型，它有两种网络结构，分别是CBOW（ Continues Bags Of Words）和 Skip-gram。知识点难度：★★☆☆☆ 词袋模型（Bag of Words），TF-IDF（Term Frequency - Inverse Document Frequency），主题模型（Topic Mod

在图像处理的过程中，经常需要从图像中将前景对象作为目标图像分割或者提取出来。图像分割是图像处理过程中一种非常重要的操作。分水岭算法将图像形象地比喻为地理学上的地形表面，实现图像分割，该算法非常有效。二、算法原理任何一幅灰度图像，都可以被看作是地理学上的地形表面，灰度值高的区域可以被看成是山峰，灰度值低的区域可以被看成是山谷。如下图所示，其中左图是原始图像，右图是其对应的“地形表面”。如果我们向每一个山谷中“灌注”不同颜色的水（这里采用了OpenCV官网的表述，冈萨雷斯将灌注表述为在山谷中打洞

采用在Imagenet上预训练的VGG16模型进行分类测试

本文介绍一种基于决策树的特征组合寻找方法（关于决策树的详细内容过段时间为大家更新）。以点击预测问题为例，假设原始输入特征包含年龄、性别、用户类型（试用期、付费）、物品类型（护肤、食品等）4个方面的信息，并且根据原始输入和标签（ 点击 / 未点击 ）构造出了决策树，如下图所示。

GoogLeNetV1-V4的模型结构都不是很简洁，参数设置上也没有什么规律可循，都是他们从大量实验中证明得到的。整体架构但是不难理解，都是重复的模块进行堆叠，所以理解了每一块的作用，整体来看就很简单。希望大家保持头脑清醒，否则觉得这一块的东西很混乱。V1、V2目前很少使用，V3、V4是使用最多的，本文主要讲解GoogLeNet - V4。正式介绍V4之前，一起回顾GoogLeNet V1-V3。

什么是组合特征？如何处理高维组合特征？难度：★★☆☆☆分析与解答：为了提高复杂关系的拟合能力，在特征工程中经常会把一阶离散特征两两组合，构成高阶组合特征。以广告点击预估问题为例，原始数据有语言和类型两种离散特征。表1.2是语言和类型对点击的影响。为了提高拟合能力，语言和类型可以组成二阶特征，表1.3是语言和类型的组合特征对点击的影响。

Canny 边缘检测是一种使用多级边缘检测算法检测边缘的方法OPENCV提供了函数cv2.Canny（ ）实现Canny边缘检测，虽然opencv为我们提供了很方便的使用，但是我们还是要理解Canny边缘检测的原理。Canny边缘检测分为如下几个步骤：步骤1：去噪。噪声会影响边缘检测的准确性，因此首先要将噪声过滤掉。 步骤2：计算梯度的幅度与方向。 步骤3：非极大值抑制，即适当的让边缘变瘦。 步骤4：确定边缘。使用双阈值算法确定最终的边缘信息。下面对上述步..