- 博客(23)
- 收藏
- 关注
RSS订阅原创 对机器学习中Fbeta指标的简介
默认的β值为1.0,与F度量值相同。较小的β值,如0.5,对精确度的影响更大,对回忆的影响更小,而较大的β值,如2.0,在计算评分时对精确度的影响更小,对回忆的影响更大。当精确性和回忆性都很重要,但需要对两者给予更多的关注时,例如当错误的否定比错误的肯定或相反更重要时,使用它是一个有用的指标。使精确度最大化,最大化,最小化,最小化,最小化,最小化,最大化,最大化,最大化,最大化,最大化,最大化,最大化.对F测量的直觉是,这两种测量方法都是重要的,只有很好的精确度和良好的回忆才能产生一个好的F测量方法。
2024-01-07 17:52:58
991
原创 如何校准不平衡分类的概率
如何校准不平衡分类的概率许多机器学习模型能够预测一个概率或概率类成员的分数。可能性为评估和比较模型提供了所需的粒度水平,特别是在诸如工具用于解释预测,并使用ROC等标准来比较模型性能,两者都使用概率。不幸的是,许多模型预测的概率或概率都没有校准。这意味着他们在某些情况下可能过于自信,而在其他情况下则缺乏信心。更糟糕的是,分类任务中存在的严重倾斜的分类分布,可能会导致预测概率的更大偏差,因为它们过度预测了大多数分类。因此,在评估非线性机器学习模型的性能之前,对其预测概率进行校准通常是一个好主意。
2024-01-07 15:10:26
1058
原创 开发良好信用和不良信用不平衡分类的模型 Python
本教程分为五个部分；德国信用数据集探索数据集模型测试和基线结果评估模型评估机器学习算法评估欠采样进一步的模型改进对新数据进行预测。
2023-09-28 10:43:30
250
原创 用于检测乳房 X 线摄影微钙化的不平衡分类模型 Python
本教程分为五个部分；乳腺X线摄影数据集探索数据集模型测试和基线结果评估模型评估机器学习算法评估成本敏感的算法对新数据进行预测。
2023-09-26 16:59:15
86
原创 Phoneme不平衡分类数据集的预测模型 python
本教程分为五个部分；音素数据集探索数据集模型测试和基线结果评估模型评估机器学习算法评估数据过采样算法对新数据进行预测。
2023-09-24 17:27:22
190
原创 饥饿游戏搜索HGS Matlab
可能的机会和未来的建议是应用反向学习( OBL )，正交学习( OL )，混沌信号代替随机变量，应用进化种群动态( EPD )，变异和交叉在方法探索和开发核心上的优势，集成突变型策略，莱维飞行的作用，贪婪搜索的应用，协同进化方法，量子计算，并行计算，基于排序的方案，随机备用方案，多种群结构，维度操作，以及它们的各种组合。最后，在目前发布的版本中，提出的饥饿游戏搜索是一种单目标方法，下一步的任务可以是开发已开发的饥饿游戏搜索的二进制、多目标和多目标变体，以处理更多种类的多目标、二进制和多目标问题。
2023-09-01 09:40:56
125
原创 不平衡分类 不平衡学习综述
分类预测建模问题涉及预测给定输入集的类标签。这一般来说是一个具有挑战性的问题,特别是如果对数据集知之甚少的话,因为有几十个(如果不是数百个)机器学习算法可供选择。如果实例在各个类之间的分布不平衡,问题就会变得更加困难。这就需要使用专门的方法来改变数据集或者改变学习算法来处理倾斜的类分布。处理新分类项目中的压倒性问题的一个常用方法是使用最喜欢的机器学习算法,如随机林或击。另一种常见的方法是浏览研究文献,以描述模糊相似的问题,并尝试重新实施所描述的算法和配置。
2023-08-28 10:27:30
129
原创 欺诈性信用卡交易数据集的不平衡分类 Python
它还允许最终模型的操作员选择将概率映射到类别标签（欺诈或非欺诈交易）的阈值，以最好地平衡最终模型的精度和召回率。然后使用一系列不同阈值下的精度和召回率来评估预测概率，以将概率映射到类别标签，并将这些阈值曲线下的面积报告为模型的性能。然后对类别分布进行总结，确认了类别分布中的严重偏差，约 99.827% 的交易被标记为正常，约 0.173% 的交易被标记为欺诈。该框显示中间 50% 的数据，每个框中间的橙色线显示样本的中位数，每个框内的绿色三角形显示样本的平均值。然后将一些欺诈案例作为模型的输入并预测标签。
2023-08-25 21:36:04
553
原创 使用玻璃识别数据集进行不平衡的多类分类 Python
我们将使用三个重复。我们可以看到，聚类在一起的决策树集合的分数分布与测试的其他算法分开。在大多数情况下，图上的平均值和中位数很接近，表明分数分布有些对称，这可能表明模型是稳定的。该框显示中间 50% 的数据，每个框中间的橙色线显示样本的中位数，每个框内的绿色三角形显示样本的平均值。首先，我们可以定义一个函数来加载数据集，并将输入变量拆分为输入和输出变量，并使用标签编码器来确保类标签按从 0 到 5 的顺序编号。我们将主要使用默认模型超参数，但集成算法中的树数量除外，我们将其设置为合理的默认值 1,000。
2023-08-25 09:07:12
1076
原创 大肠杆菌数据集的不平衡多类分类 Python
我们可以看到，聚类在一起的决策树集合的分数分布与测试的其他算法分开。在大多数情况下，图上的平均值和中位数很接近，表明分数分布有些对称，这可能表明模型是稳定的。该框显示中间 50% 的数据，每个框中间的橙色线显示样本的中位数，每个框内的绿色三角形显示样本的平均值。然而，平均而言，我们预计十分之一的预测会是错误的，并且这些错误可能不会在各个类别中均匀分布。结果表明，大多数算法在此数据集上表现良好，并且决策树集合可能表现最好，额外树实现了 88% 的准确率，随机森林实现了 89.5% 的准确率。
2023-08-23 22:06:55
252
原创 使用 Python 进行 SMOTE 不平衡分类
本教程分为五个部分；合成少数过采样技术不平衡学习库用于平衡数据的 SMOTESMOTE 分类具有选择性合成样品生成功能的 SMOTE边界-SMOTE边界-SMOTE SVM自适应合成采样 (ADASYN)
2023-08-20 23:10:36
995
原创 使用混合粒子群算法和引力搜索算法训练前馈神经网络
引力搜索算法( Gravitational Search Algorithm，GSA )是一种基于重力和质量相互作用规律的新型启发式优化方法。经验证，该算法具有良好的全局寻优能力，但在最后一次迭代中存在搜索速度慢的问题。本文提出了一种粒子群优化算法( Particle Swarm Optimization，PSO )和GSA的混合算法来解决上述问题。本文将GSA和PSOGSA作为前馈神经网络( FNNs )的新训练方法，以研究这些算法在减少陷入局部极小和当前进化学习算法收敛速度慢的问题上的效率。
2023-08-15 14:29:24
166
3
原创 BBO 基于生物地理学的优化器训练神经网络
BBO 基于生物地理学的优化器训练神经网络多层感知器( Multi-Layer感知器，MLP )作为应用最广泛的神经网络之一，已被应用于许多实际问题中。多层感知器需要针对特定的应用进行训练，经常会遇到陷入局部极小值、收敛速度和对初始化敏感等问题。本文提出使用最近发展的基于生物地理学的优化( BBO )算法来训练MLPs来减少这些问题。为了研究BBO在训练MLPs时的效率，使用了5个分类数据集和6个函数逼近数据集。
2023-08-14 21:07:29
95
原创 评估和调试生成式人工智能（吴恩达新课）
机器学习和人工智能项目需要管理不同的数据源、大量数据、模型和参数开发，并进行大量的测试和评估实验。您将学习使用权重和偏差平台，该平台可以轻松跟踪您的实验、运行和版本化您的数据以及与您的团队协作。任何熟悉 Python 和 PyTorch 或类似框架并对管理、版本控制和调试机器学习工作流程感兴趣的人。完成本课程后，您将拥有一个系统化的工作流程可供您使用，以提高您的工作效率并加速您取得突破性成果的旅程。在复杂的交互中随着时间的推移跟踪对法学硕士的提示和响应。在复杂的交互中实现对llm的长期监控和跟踪。
2023-08-14 15:17:11
73
原创 Cell基本用法 Matlab
任何中间元胞都包含空数组。%元胞数组是一种包含名为元胞的索引数据容器的数据类型，其中的每个元胞都可以包含任意类型的数据。%要访问元胞的内容，请将索引放在花括号中，例如 c{1} 返回 42，c{3} 返回 “abcd”。%通过使用圆括号 () 建立的标准数组索引来删除元胞集。%通过将一个空数组赋给元胞并使用花括号建立内容索引 {} 来删除特定元胞的内容。%通过将一个空数组指定为元胞的内容来添加元胞而不指定值。%使用数组串联运算符 [] 串联元胞数组。%%将元胞添加到元胞数组。%删除元胞数组中的数据。
2023-08-14 11:46:50
149
原创 优化：蚁群算法求解TSP，二次分配问题QAP，背包问题（BK), Matlab
蚁群优化（ACO）是一组概率元启发法和智能优化算法，受到蚂蚁社会行为的启发。ACO 算法也被归类为群体智能方法，因为这种范式的实现是通过模拟这些算法结构中的蚂蚁行为来实现的。第一个 ACO 算法是 Marco Dorigo 在 1991 年的博士论文中提出的，称为 Ant System 算法。一些研究人员提出了各种版本的蚂蚁算法，例如最大-最小蚂蚁系统、蚁群系统和 ACOR（连续域的 ACO）。在这篇文章中，我们将与您分享 ACO 在 MATLAB 中的完整开源实现。
2023-08-13 11:33:28
265
原创 MOPSO 多目标粒子群（Matlab）
然而，在多目标优化的背景下，这种收敛速度可能是有害的，因为基于PSO的算法可能会收敛到一个虚假的Pareto前沿(即相当于全局优化中的一个局部最优)。值得注意的是，我们的变异算子不仅适用于群体的粒子，也适用于待求解问题(使用相同的变异函数)的每个设计变量的范围。与目前其他扩展PSO来解决多目标优化问题的方案不同，我们的算法使用了一个次级的(即,外部的)粒子库，这些粒子后来被其他粒子用来指导自己的飞行。• 我们使用的变异算子既作用于群体的粒子，也作用于待解决问题的每个设计变量的范围（参见第 IV-C 节）。
2023-08-12 22:11:48
315
原创 MOEA-D（Matlab, Python）
分解是传统多目标优化中的一种基本策略。然而，其在多目标进化优化中尚未得到广泛应用。本文提出了一种基于分解的多目标进化算法( MOEA / D )。它将一个多目标优化问题分解为若干个标量优化子问题并同时进行优化。每个子问题只利用其相邻的几个子问题的信息进行优化，这使得MOEA / D在每一代都比MOGLS和非支配排序遗传算法II ( NSGA-II )具有更低的计算复杂度。
2023-08-12 22:03:14
416
原创 NSGA-III
在使用进化优化方法开发多目标优化算法并展示其在大多数涉及两个和三个目标的各种实际问题上的优势后，现在越来越需要开发进化多目标优化( EMO )算法来处理高维多目标(有4个及以上目标)优化问题。在本文中，我们总结了最近的一些努力，并讨论了一些可行的方向，以开发用于解决高维目标优化问题的潜在EMO算法。然后，我们提出了一个基于参考点的多目标进化算法，该算法遵循NSGA - II框架(我们称之为NSGA-III)，它强调非支配的种群成员，但靠近一组提供的参考点。
2023-08-12 21:45:08
786
原创 MOGWO 多目标灰狼优化算法（Matlab,Python）
MOGWO 多目标灰狼优化算法（Matlab,Python）由于灰狼优化算法( Grey Wolf Optimizer，GWO )的新颖性，目前还没有文献研究设计该算法的多目标版本。本文首次提出了多目标灰狼优化算法( Multi-Objective Grey Wolf Optimizer，MOGWO )来优化多目标问题。在GWO中集成一个固定大小的外部存档，用于保存和检索Pareto最优解。该档案被用来定义社会等级和模拟灰狼在多目标搜索空间中的狩猎行为。
2023-08-12 21:22:17
732
3
原创 今天的工作内容
修改返修的论文 本周末把论文修改完，并返修。学习内容：修改审稿人提出的意见，把没有改完的意见修改完；撰写回复审稿人意见列表。学习时间：周六上午 9 点-下午 11 点学习产出：修改完的论文；回复审稿人的意见。...
2022-05-14 13:53:57
89
1
S1-2022-Computer-Test-example R语言
2024-01-14
Multi-objective Bonobo Optimizer with decomposition methodmatlab
2023-09-09
智能算法：Great Wall Construction Algorithm长城构建算法Matlab
2023-08-30
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人