对机器学习中Fbeta指标的简介

于 2024-01-07 17:52:58 发布
阅读量945 收藏 21
点赞数 21
文章标签： 机器学习 人工智能
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/weixin_39168167/article/details/135442329
版权

对机器学习的Fbeta指标的概括介绍

Fbeta指标是一种可配置的单得分度量,用于基于对正类的预测来评价二元分类模型。

用精确度和回收率计算出Fbeta测量值。

精密 是用来计算正类正确预测的百分比的度量。 回忆 从所有可以作出的正预测中计算出正类的正确预测的百分比。精确度最大化将最小化错误,而最大化回忆将最小化错误。

… F尺寸 按精确度和回收率的调和平均值计算,给予相同的权重。它允许使用单评分来评估模型,同时考虑到精确度和召回率,这在描述模型的性能和比较模型时是很有帮助的。

… Fbeta计量 是添加一个名为β的配置参数的F度量的泛化。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。

在本教程中,您将发现用于评估机器学习分类算法的Fbeta度量。

完成本教程后,你会知道:

  • 精确度和召回率提供了两种方法来总结在二进制分类问题中为正类所犯的错误。
  • F测量提供了一个单一的得分,总结了精确度和召回。
  • Fβ-度量提供了一个可配置的F-度量版本,在计算一个积分时,多少会注意精确度和召回量。

我们开始吧。

教程概览

本教程分为三个部分:

  1. 精确和召回

    1. 混淆矩阵
    2. 精密
    3. 回忆

  2. F尺寸

    1. 最坏的情况
    2. 最佳情况
    3. 50%的精确度,完美的回忆

  3. Fbeta计量

    1. F1尺寸
    2. F0.5计量
    3. F2测量

精确和召回

在我们深入研究Fbeta测量之前,我们必须回顾用于评估分类模型所做预测的精确度和召回量的基础。

混淆矩阵

A 混淆矩阵 总结每个类的模型所做的预测的数量,以及这些预测实际上属于的类。它有助于理解模型的预测误差类型。

最简单的混淆矩阵是用于两个类别的问题,分别是负类(0类)和正类(1类)。

在这类混淆矩阵中,表中的每个单元格都有一个具体的、众所周知的名称,概括如下:

               | Positive Prediction | Negative Prediction

Positive Class | True Positive (TP) | False Negative (FN)

Negative Class | False Positive (FP) | True Negative (TN)

精确度和召回度量是根据混淆矩阵中的单元格来定义的,特别是像真正和假负这样的术语。

精确度

精确度是衡量正确的正预测数的指标。

计算方法是用正确预测的阳性案例的比率除以预测的阳性案例的总数。

  • 精确=真实/(真实/错误)

结果是完全或完全精确的值在无精确度的0.0和1.0之间。

精确度的直觉是它不关心假底片 尽量减少错误的肯定 .我们可以用下面的一个小例子来证明这一点。

# intuition for precision

from sklearn.metrics import precision_score

# no precision

y_true = [0, 0, 0, 0, 0, 1, 1, 1, 1, 1]

y_pred = [0, 0, 0, 0, 0, 0, 0, 0, 0, 0]

score = precision_score(y_true, y_pred)

print(‘No Precision: %.3f’ % score)

# some false positives

y_true = [0, 0, 0, 0, 0, 1, 1, 1, 1, 1]

y_pred = [0, 0, 0, 1, 1, 1, 1, 1, 1, 1]

score = precision_score(y_true, y_pred)

print(‘Some False Positives: %.3f’ % score)

# some false negatives

y_true = [0, 0, 0, 0, 0, 1, 1, 1, 1, 1]

y_pred = [0, 0, 0, 0, 0, 0, 0, 1, 1, 1]

score = precision_score(y_true, y_pred)

print(‘Some False Negatives: %.3f’ % score)

# perfect precision

y_true = [0, 0, 0, 0, 0, 1, 1, 1, 1, 1]

y_pred = [0, 0, 0, 0, 0, 1, 1, 1, 1, 1]

score = precision_score(y_true, y_pred)

print(‘Perfect Precision: %.3f’ % score)

运行实例,验证了所有不正确和所有正确的预测类别标签的计算精度,这表明分别没有精确性和完美性。

预测一些假阳性的例子显示出精确度下降,突出表明这项措施涉及到最小化假阳性。

一个预测一些假底片的例子显示出了完美的精确度,突出表明这项措施与假底片无关。

No Precision: 0.000

Some False Positives: 0.714

Some False Negatives: 1.000

Perfect Precision: 1.000

召回率

召回率是一个度量标准,它量化了所有可能作出的正面预测中正确的正面预测的数量。

它的计算方法是,正确预测的正案例的比率除以能够预测的正案例的总数。

  • 召回率=正确正样本/(正确正样本+错误负样本)

结果是完全或完全的召回值在未召回的0.0和完全召回的1.0之间。

召回率的直觉是它与错误的肯定无关 尽量减少虚假底片 .我们可以用下面的一个小例子来证明这一点。

# intuition for recall

from sklearn.metrics import recall_score

# no recall

y_true = [0, 0, 0, 0, 0, 1, 1, 1, 1, 1]

y_pred = [0, 0, 0, 0, 0, 0, 0, 0, 0, 0]

score = recall_score(y_true, y_pred)

print(‘No Recall: %.3f’ % score)

# some false positives

y_true = [0, 0, 0, 0, 0, 1, 1, 1, 1, 1]

y_pred = [0, 0, 0, 1, 1, 1, 1, 1, 1, 1]

score = recall_score(y_true, y_pred)

print(‘Some False Positives: %.3f’ % score)

# some false negatives

y_true = [0, 0, 0, 0, 0, 1, 1, 1, 1, 1]

y_pred = [0, 0, 0, 0, 0, 0, 0, 1, 1, 1]

score = recall_score(y_true, y_pred)

print(‘Some False Negatives: %.3f’ % score)

# perfect recall

y_true = [0, 0, 0, 0, 0, 1, 1, 1, 1, 1]

y_pred = [0, 0, 0, 0, 0, 1, 1, 1, 1, 1]

score = recall_score(y_true, y_pred)

print(‘Perfect Recall: %.3f’ % score)

运行该示例演示了计算所有不正确和所有正确的预测类别标签的召回,分别显示没有召回和完全召回。

预测一些错误的肯定的例子显示了完美的回忆,强调这个措施与错误的肯定无关。

预测一些假底片的例子表明召回率下降,这表明该措施与最小化假底片有关。

No Recall: 0.000

Some False Positives: 1.000

Some False Negatives: 0.600

Perfect Recall: 1.000

现在我们熟悉了精确度和召回率,让我们回顾一下F度量。

F尺寸

精确度和召回度测量两种类型的错误,可以对正类。

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.

F测量或F标记提供了一种方法,将精确度和召回率结合到一个单一的测量,以捕获这两个属性。

  • F-Measure = (2 * Precision * Recall) / (Precision + Recall)

这是 调和均值 两个分数中的一个。

结果是最差的F度量值为0.0,而完美的F度量值为1.0。

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。

最坏的情况

首先,如果所有的例子都被错误地预测,那么我们就会有零精度和零召回,从而产生一个零F度量;例如:

# worst case f-measure

from sklearn.metrics import f1_score

from sklearn.metrics import precision_score

from sklearn.metrics import recall_score

# no precision or recall

y_true = [0, 0, 0, 0, 0, 1, 1, 1, 1, 1]

y_pred = [1, 1, 1, 1, 1, 0, 0, 0, 0, 0]

p = precision_score(y_true, y_pred)

r = recall_score(y_true, y_pred)

f = f1_score(y_true, y_pred)

print(‘No Precision or Recall: p=%.3f, r=%.3f, f=%.3f’ % (p, r, f))

运行该示例时,我们可以看到,没有精确度或召回结果的最坏情况下F度量。

No Precision or Recall: p=0.000, r=0.000, f=0.000

考虑到精确度和召回量只涉及正类,我们可以通过预测所有例子的负类来获得相同的最坏情况的精确度、召回和F度量:

# another worst case f-measure

from sklearn.metrics import f1_score

from sklearn.metrics import precision_score

from sklearn.metrics import recall_score

# no precision and recall

y_true = [0, 0, 0, 0, 0, 1, 1, 1, 1, 1]

y_pred = [0, 0, 0, 0, 0, 0, 0, 0, 0, 0]

p = precision_score(y_true, y_pred)

r = recall_score(y_true, y_pred)

f = f1_score(y_true, y_pred)

print(‘No Precision or Recall: p=%.3f, r=%.3f, f=%.3f’ % (p, r, f))

由于没有预测阳性病例,我们必须输出一个零精度和召回,反过来,F度量。

No Precision or Recall: p=0.000, r=0.000, f=0.000

最佳情况

相反,完美的预测将会产生完美的精确度和召回率,反过来又会产生一个完美的F度量,例如：

# best case f-measure

from sklearn.metrics import f1_score

from sklearn.metrics import precision_score

from sklearn.metrics import recall_score

# perfect precision and recall

y_true = [0, 0, 0, 0, 0, 1, 1, 1, 1, 1]

y_pred = [0, 0, 0, 0, 0, 1, 1, 1, 1, 1]

p = precision_score(y_true, y_pred)

r = recall_score(y_true, y_pred)

f = f1_score(y_true, y_pred)

print(‘Perfect Precision and Recall: p=%.3f, r=%.3f, f=%.3f’ % (p, r, f))

运行该示例,我们可以看到,完美的精确度和召回结果是一个完美的F度量。

Perfect Precision and Recall: p=1.000, r=1.000, f=1.000

50%的精确度,完美的回忆

它不可能有完美的精确度和没有回忆,或没有精确和完美的回忆。精确性和召回性都需要预测真正的积极性。

考虑一下我们预测所有案例的正类的情况。

这将给我们50%的精确度,因为一半的预测是错误的实证。它会给我们完美的回忆,因为我们不会错误的底片。

对于我们在示例中使用的平衡数据集,一半的预测是真的,一半是假的;因此,精确率是0.5%或50%。将50个感知精度和完美的回忆结合起来,将会产生一个受惩罚的F测量,特别是50%到100%的谐波平均值。

下面的例子说明了这一点。

# perfect precision f-measure

from sklearn.metrics import f1_score

from sklearn.metrics import precision_score

from sklearn.metrics import recall_score

# perfect precision, 50% recall

y_true = [0, 0, 0, 0, 0, 1, 1, 1, 1, 1]

y_pred = [1, 1, 1, 1, 1, 1, 1, 1, 1, 1]

p = precision_score(y_true, y_pred)

r = recall_score(y_true, y_pred)

f = f1_score(y_true, y_pred)

print(‘Result: p=%.3f, r=%.3f, f=%.3f’ % (p, r, f))

运行这个例子证实了我们确实有50个感知精度和完美的召回,F得分的结果是大约0.667。

Result: p=0.500, r=1.000, f=0.667

Fbeta计量

F测量平衡了精确度和召回。

在某些问题上,我们可能会对一种更注重精确度的F度量感兴趣,比如错误肯定对最小化更重要,但错误否定仍然很重要。

在其他问题上,我们可能会对一个更注重回忆的F度量感兴趣,比如错误的否定对最小化更重要,但错误的肯定仍然很重要。

解决办法是使用Fbeta计量。

Fbeta度量是F度量的抽象,在计算中,精确度和回收率的平衡 调和均值 是由一个叫做* 贝塔* .

  • Fbeta = ((1 + beta^2) * Precision * Recall) / (beta^2 * Precision + Recall)

选择的β参数将使用名称的Fbe-计量。

例如,β值为2被称为F2测量值或F2得分。β值为1被称为F1测量值或F1得分。

β参数的三个共同值如下:

  • F0.5-5尺寸

    (β=0.5):对精确性的重视更大,对召回的重视更少。

  • F1尺寸

    (β=1.0):在精密度和召回量上保持平衡。

  • F2尺寸

    (β=2.0):精确性的重量减少,召回的重量增加

起初,对不同测试值的计算的影响并不直观。

让我们仔细看看这些案例。

F1尺寸

上一节所讨论的F-措施是一个用 贝塔 价值为1。

具体而言,F-计量和F1-计量的计算方法相同,例如:

  • F-Measure = ((1 + 1^2) * Precision * Recall) / (1^2 * Precision + Recall)
  • F-Measure = (2 * Precision * Recall) / (Precision + Recall)

想想我们有50个感知精确和完美回忆的例子。我们可以手动计算这个情况下的F1度量如下:

  • F-Measure = (2 * Precision * Recall) / (Precision + Recall)
  • F-Measure = (2 * 0.5 * 1.0) / (0.5 + 1.0)
  • F-Measure = 1.0 / 1.5
  • F-Measure = 0.666

我们可以用 功能 在本网站上学习"* 贝塔* "参数设置为1.0。

完整的例子列于下文。

# calculate the f1-measure

from sklearn.metrics import fbeta_score

from sklearn.metrics import precision_score

from sklearn.metrics import recall_score

# perfect precision, 50% recall

y_true = [0, 0, 0, 0, 0, 1, 1, 1, 1, 1]

y_pred = [1, 1, 1, 1, 1, 1, 1, 1, 1, 1]

p = precision_score(y_true, y_pred)

r = recall_score(y_true, y_pred)

f = fbeta_score(y_true, y_pred, beta=1.0)

print(‘Result: p=%.3f, r=%.3f, f=%.3f’ % (p, r, f))

运行该示例确认了完美的精确度和50%的召回率,以及0.667的F1测量值,确认了我们的计算(四舍五入)。

这个F1测量值0.667与上一节为同一情景计算的F测量值相匹配。

Result: p=0.500, r=1.000, f=0.667

F0.5-5尺寸

F0.5-5测量值是Fbeta测量值的一个例子。 贝塔 价值0.5。

它的效果是提高了精确度的重要性,降低了召回的重要性.

如果最大限度的精确度能最大限度地减少错误的积极性,而最大限度的回忆能最大限度地减少错误的消极性,那么 F0.5-5措施更注重最小化错误阳性 也不愿减少假底片。

F0.5-5计量的计算方法如下:

  • F0.5-Measure = ((1 + 0.5^2) * Precision * Recall) / (0.5^2 * Precision + Recall)
  • F0.5-Measure = (1.25 * Precision * Recall) / (0.25 * Precision + Recall)

考虑一下我们有50%的精确度和完美的回忆。我们可以手动计算这个情况下的F0.5度量如下:

  • F0.5-Measure = (1.25 * Precision * Recall) / (0.25 * Precision + Recall)
  • F0.5-Measure = (1.25 * 0.5 * 1.0) / (0.25 * 0.5 + 1.0)
  • F0.5-Measure = 0.625 / 1.125
  • F0.5-Measure = 0.555

鉴于精确度很低,召回率也很好,我们预计测试值为0.5将导致这个场景的得分较低。

这正是我们所看到的,在同样的情况下,F1码的计算值为0.667。精确度在计算中起着更大的作用.

我们可以确认这一计算,完整的例子如下。

# calculate the f0.5-measure

from sklearn.metrics import fbeta_score

from sklearn.metrics import f1_score

from sklearn.metrics import precision_score

from sklearn.metrics import recall_score

# perfect precision, 50% recall

y_true = [0, 0, 0, 0, 0, 1, 1, 1, 1, 1]

y_pred = [1, 1, 1, 1, 1, 1, 1, 1, 1, 1]

p = precision_score(y_true, y_pred)

r = recall_score(y_true, y_pred)

f = fbeta_score(y_true, y_pred, beta=0.5)

print(‘Result: p=%.3f, r=%.3f, f=%.3f’ % (p, r, f))

运行该示例确认精确度和召回值,然后报告0.556的F0.5度量值(带四舍五入),与我们手动计算的值相同。

Result: p=0.500, r=1.000, f=0.556

F2尺寸

F2测量值是Fbeta测量值的一个例子,其中包括 贝塔 价值2.0。

它的作用是降低了精确度的重要性,增加了召回的重要性.

如果最大限度的精确度能最大限度地减少错误的积极性,而最大限度的回忆能最大限度地减少错误的消极性,那么 F2计量更注重最小化假底片 也不愿减少错误的积极性。

F2计量方法计算如下:

  • F2-Measure = ((1 + 2^2) * Precision * Recall) / (2^2 * Precision + Recall)
  • F2-Measure = (5 * Precision * Recall) / (4 * Precision + Recall)

考虑一下我们有50%的精确度和完美的回忆。

我们可以手动计算这个情况下的F2测量如下:

  • F2-Measure = (5 * Precision * Recall) / (4 * Precision + Recall)
  • F2-Measure = (5 * 0.5 * 1.0) / (4 * 0.5 + 1.0)
  • F2-Measure = 2.5 / 3.0
  • F2-Measure = 0.833

我们希望 贝塔 由于召回有一个完美的评分,2.0值将会使这个场景的得分更高,这将会比精确度低的得分更高。

这正是我们所看到的,在同样的情况下,用0.667计算出的F1分数,可以实现0.833的F2测量值。回忆在计算中扮演了更重要的角色。

我们可以确认这一计算,完整的例子如下。

# calculate the f2-measure

from sklearn.metrics import fbeta_score

from sklearn.metrics import f1_score

from sklearn.metrics import precision_score

from sklearn.metrics import recall_score

# perfect precision, 50% recall

y_true = [0, 0, 0, 0, 0, 1, 1, 1, 1, 1]

y_pred = [1, 1, 1, 1, 1, 1, 1, 1, 1, 1]

p = precision_score(y_true, y_pred)

r = recall_score(y_true, y_pred)

f = fbeta_score(y_true, y_pred, beta=2.0)

print(‘Result: p=%.3f, r=%.3f, f=%.3f’ % (p, r, f))

运行该示例确认精确度和召回值,然后报告0.883的F2测量值,与我们手动计算的值相同(四舍五入)。

Result: p=0.500, r=1.000, f=0.833

学习更多内容，扫码关注下方公众号。

背包客研究
关注
  • 21
    点赞
  • 踩
  • 21
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
博客
如何校准不平衡分类的概率
01-07 1044
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。
博客
开发良好信用和不良信用不平衡分类的模型 Python
09-28 192
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。
博客
用于检测乳房 X 线摄影微钙化的不平衡分类模型 Python
09-26 78
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。
博客
Phoneme不平衡分类数据集的预测模型 python
09-24 162
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。
博客
饥饿游戏搜索HGS Matlab
09-01 122
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。
博客
不平衡分类 不平衡学习综述
08-28 124
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。
博客
欺诈性信用卡交易数据集的不平衡分类 Python
08-25 498
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。
博客
使用玻璃识别数据集进行不平衡的多类分类 Python
08-25 983
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。
博客
大肠杆菌数据集的不平衡多类分类 Python
08-23 221
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。
博客
海象优化算法（WaOA）Matlab
08-22 414
海象优化算法（）Matlab海象优化算法（
博客
使用 Python 进行 SMOTE 不平衡分类
08-20 947
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)
博客
多类不平衡分类
08-19 326
本教程分为三个部分；玻璃多类分类数据集用于多类分类的 SMOTE 过采样多类分类的成本敏感学习。
博客
使用混合粒子群算法和引力搜索算法训练前馈神经网络
08-15 148
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。
博客
BBO 基于生物地理学的优化器训练神经网络
08-14 91
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。
博客
评估和调试生成式人工智能（吴恩达新课）
08-14 69
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。
博客
Cell基本用法 Matlab
08-14 132
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。
博客
优化：蚁群算法求解TSP，二次分配问题QAP，背包问题（BK), Matlab
08-13 239
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。
博客
MOPSO 多目标粒子群（Matlab）
08-12 294
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）。
博客
MOEA-D（Matlab, Python）
08-12 398
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。
博客
NSGA-III
08-12 706
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。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值