深度学习
文章平均质量分 84
个人总结
我是真的菜啊啊
这个人很懒,什么都留下了
展开
-
模型评价指标——混淆矩阵/ROC曲线/AUC曲线
一、混淆矩阵TP = True Postive真阳性;FP = False Positive假阳性 ;FN = False Negative假阴性;TN = True Negative真阴性① 精度(precision, 或者PPV, positive predictive value) = TP / (TP + FP)在上面的例子中,精度 = 5 / (5+4) = 0.556② 召回(recall,敏感度,sensitivity,真阳性率,TPR,True Positive Ra..原创 2022-04-07 17:33:17 · 1634 阅读 · 0 评论 -
K-Means聚类 和 高斯混合模型(GMM)
https://vdn3.vzuu.com/SD/74c0021a-23d0-11eb-8ced-56dd061dbff2.mp4?disable_local_cache=1&auth_key=1649232464-0-0-fe1700297ff7cb2508dd305cade8d776&f=mp4&bu=pico&expiration=1649232464&v=tx原创 2022-04-06 17:09:48 · 3418 阅读 · 0 评论 -
动手学深度学习(pytorch版本) | 第三章:深度学习基础
文章目录3.1 线性回归3.1.1 线性回归的节本要素3.1.2 线性回归的表示方法3.4 softmax回归3.4.5 交叉熵损失函数3.4.6 模型预测及评价3.4.7 小结3.5 图像分类数据集(Fashion—MNIST)3.5.1 获取数据集3.6 softmax回归从零开始实现二、使用步骤1.引入库2.读入数据总结3.1 线性回归线性回归输出是一个连续值,因此适用于回归问题。softmax回归则适用于分类问题。3.1.1 线性回归的节本要素模型定义模型训练训练数据——&原创 2022-02-26 19:41:49 · 692 阅读 · 0 评论 -
关于x_train, x_test, y_train, y_test = train_test_split(x, y, test_size=0.3, random_state=0)
x_train, x_test, y_train, y_test = train_test_split(x, y, test_size=0.3, random_state=0)找了很久都没有一个准确的答案,很多答案对y_train和 y_test的解释非常模糊。后来才找到一个合理的解释,原来:x_train:包括所有自变量,这些变量将用于训练模型,同样,我们已经指定测试_size=0.4,这意味着来自完整数据的60%的观察值将用于训练/拟合模型,其余40%将用于测试模型。y_train-这是因变量原创 2021-12-08 17:11:25 · 20806 阅读 · 9 评论