- 博客(5)
- 收藏
- 关注
RSS订阅转载 机器学习之类别不平衡问题 (2) —— ROC和PR曲线
ROC曲线和PR（Precision - Recall）曲线皆为类别不平衡问题中常用的评估方法，二者既有相同也有不同点。本篇文章先给出ROC曲线的概述、实现方法、优缺点，再阐述PR曲线的各项特点，最后给出两种方法各自的使用场景。ROC曲线ROC曲线常用于二分类问题中的模型比较，主要表现为一种真正例率 (TPR) 和假正例率 (FPR) 的权衡。具体方法是在不同的分类阈值 (threshold...
2018-12-23 19:05:32
317
转载 深度学习——类别不平衡
在二分类问题中，通常假设正负类别相对均衡，然而实际应用中类别不平衡的问题，如100, 1000, 10000倍的数据偏斜是非常常见的，比如疾病检测中未患病的人数远超患病的人数，产品质量检测中合格产品数量远超不合格产品等。在检测信用卡欺诈问题中，同样正例的数目稀少，而且正例的数量会随着时间和地点的改变而不断变化，分类器要想在不断变化的正负样本中达到好的检测效果是非常困难的。由于类别不平衡问题的特性...
2018-12-23 18:56:49
841
原创 深度学习——图像旋转
以坐标原点为中心旋转的原理：以任意图形中心点为坐标原点旋转原理：从上图可知以任意图形中心点为坐标原点旋转我们需要三步：(1)将坐标系Ⅰ变成坐标系Ⅱ(2)在坐标系Ⅱ中旋转θθ角(3)将坐标系Ⅱ变成坐标系Ⅰ**(1)将坐标系Ⅰ变成坐标系ⅡMatlab编程实现(1)Matlab自带函数实现图像任意角度旋转旋转函数介绍：B=imrotate(A,angle,method, ‘...
2018-12-21 22:11:05
2338
原创 深度学习——图像锐化
网络上的数据集和验证集每一类都有超过１０００的数据量，但是由于手工截图的效率较低，以及房屋矢量影像不够精确，本次学习和验证的最终数据量太小，容易造成训练时的过拟合。过拟合是指为了得到一致假设而使假设变得过度严格，也就是说当前学习后的模型，只适用于当前的数据，换一套建筑物遥感影像就无法识别。因此为了解决过拟合，从数据的角度需要对当前数据进行增强。常用的数据增强方法有：对颜色的数据增强、尺度变换、水平...
2018-12-16 18:44:12
2430
原创 深度学习——基于卷积神经网络的建筑物提取
基于高分辨率遥感影像的建筑物提取在遥感影像处理和分析的基础上，加上了模式识别、数学等方法，能够半自动甚至全自动识别与检测出影像中的建筑物相关信息。但高空间分辨率影像信噪比低，建筑物的提取无法达到很高的精度，大量的影像还是通过人工解译才能得到应用。卷积神经网络在使用大规模数据集训练的情况下，在特征提取和分类任务中展现出了极强的潜力。在卷积神经网络的训练过程中，大规模地标记训练数据是特征提取质量的...
2018-12-16 16:20:43
11163
4
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人