python面向对象简介_python(23)- 面向对象简单介绍

面向概述

面向过程:根据业务逻辑从上到下写垒代码

面向过程的设计的核心是过程,过程即解决问题的步骤, 面向过程的设计就好比精心设计好一条流水线,考虑周全什么时候处理什么东西

优点:极大降低了程序的复杂性

缺点:一套流水线或者流程就是用来解决一个问题,生产汽车的流水线无法生产汽水,即便是改造也要大改,牵一发而动全身。

函数式:将某功能代码封装到函数中,以后无需重复写代码,调用方便

面向对象:对函数进行分类和封装,"更快更好更强"。

面向对象的程序核心是对象。如来安排唐僧,沙和尚,猪八戒,孙悟空去取经,但根本不会管师徒四人按照什么流程去取。

面向对象优点:解决了程序的可拓展性。对某一个对象单独修改会立刻反映到整个体系中,如对一个人物的参数的特征和技能修改都很容易。

面向对象缺点:可控性差,无法像面向过程的程序设计流水线式可以很精准的预测问题的处理流程和结果。

面向对象的程序一旦开始就由对象之间的交互解决问题,即使是上帝也无法预测最终结果。

面向对象应用场景:需求经常变化的软件,一般需求的变化都集中在用户层,互联网应用,企业内部软件,游戏等都是面向对象的程序设计大显身手的好地方。

面向对象的程序设计并不是全部。对于一个软件质量来说,面向对象的程序设计只是用来解决扩展性。

创建类和对象

面向对象是一种编程方式,此编程方式需要‘类’和‘对象’来实现,所有面向对象编程实际就是对‘类’和‘对象’的使用。

类就是一个模板,模板里可以包含多个函数,函数里实现一些功能。

对象就是通过模板创建的实例,通过实例对象可以执行类中的函数。

class是关键字,表示类

创建对象类后面加括号即可

类中的函数第一个参数必须是self,类中定义的函数叫做‘方法’。

#创建类

class foo:

def bar(self):

print('bar')

def hello(self,name):

print('I am %s' %name)

#根据类foo创建对象obj

obj=foo()

obj.bar() #执行bar的方法

obj.hello('xuyaping') #执行hello的方法

面向对象:创建对象,通过对象执行方法。

函数编程:直接执行函数。

场景的不同适合其编程方式也不同。

函数式编程的应用场景---->各个函数之间是独立且无共用的数据。

面向对象的三大特性:

一、封装

封装,顾名思义就是将内容封装到某个地方,以后再去调用被封装在某处的内容。

所以,在使用面向对象的封装特性是,需要:

1.将内容封装到某处;

2.从某处调用被封装的内容。

第一步:将内容封装到某处

self是一个形式参数,当执行obj1=foo('wupeoqi',18)时,self等于obj1

当执行obj2=foo('alex',78)时,self等于obj2

所以,内容其实被封装到了对象obj1和obj2中,每个对象都有name和age属性,在内存中类似下图保存。

第二步:从某处调用被封装的内容

1.通过对象直接调用被封装的内容

上图展示了对象obj1和obj2在内存中保存的方式,根据格式可以如此调用被封装的内容:对象.属性名。

class foo:

def __init__(self,name,age):

self.name=name

self.age=age

obj1=foo('xuyaping',18)

print(obj1.name) #直接调用obj1对象的name属性

print(obj1.age) #直接调用obj1对象的age属性

obj2=foo('alex',78)

print(obj2.name) #直接调用obj2对象的name属性

print(obj2.age) #直接调用obj2对象的age属性

2.通过self间接调用被封装的内容

执行类中的方法时,需要通过self间接调用被封装的内容。

class foo:

def __init__(self,name,age):

self.name=name

self.age=age

def detail(self):

print(self.name)

print(self.age)

obj1=foo('xuyaping',18)

obj1.detail() #python默认会将obj1传给self参数,即obj1.detail(obj1),所以,此时方法内部的self=obj1,即self.name是xuyaping;self.age是18

obj2=foo('alex',78)

obj2.detail() #python默认会将obj2传给self参数,即obj2.detail(obj2),所以,此时方法内部的self=obj2,即self.name是alex;self.age是78

综上所述,对于面向对象的封装来说,其实就是使用构造方法将内容封装到对象中,然后通过对象直接或者self间接获取被封装的内容。

练习一:在终端输出如下信息

小明,10岁,男,上山去砍柴

小明,10岁,男,开车去东北

小明,10岁,男,最爱大保健

老李,90岁,男,上山去砍柴

老李,90岁,男,开车去东北

老李,90岁,男,最爱大保健

老张...

#函数式编程

def kanchai(name, age, gender):

print("%s,%s岁,%s,上山去砍柴" %(name, age, gender))

def qudongbei(name, age, gender):

print("%s,%s岁,%s,开车去东北" %(name, age, gender))

def dabaojian(name, age, gender):

print("%s,%s岁,%s,最爱大保健" %(name, age, gender))

kanchai('小明', 10, '男')

qudongbei('小明', 10, '男')

dabaojian('小明', 10, '男')

kanchai('老李', 90, '男')

qudongbei('老李', 90, '男')

dabaojian('老李', 90, '男')

#面向对象编程

class Foo:

def __init__(self, name, age ,gender):

self.name = name

self.age = age

self.gender = gender

def kanchai(self):

print("%s,%s岁,%s,上山去砍柴" %(self.name, self.age, self.gender))

def qudongbei(self):

print("%s,%s岁,%s,开车去东北" %(self.name, self.age, self.gender))

def dabaojian(self):

print("%s,%s岁,%s,最爱大保健" %(self.name, self.age, self.gender))

xiaoming = Foo('小明', 10, '男')

xiaoming.kanchai()

xiaoming.qudongbei()

xiaoming.dabaojian()

laoli = Foo('老李', 90, '男')

laoli.kanchai()

laoli.qudongbei()

laoli.dabaojian()

上述对比可以看出,使用函数式编程需要在每次执行函数时传入相同的参数,如果参数多的话,又需要粘贴复制了...;而使用面向对象只需要在创建对象时,将所有需要的参数封装到当前对象中,之后再次使用时,需要通过self间接去当前对象中取值即可。

二、继承

继承,面向对象中的继承和现实生活中的继承相同,即子可以继承符的内容。

例如猫可以:喵喵叫、吃、喝、拉、撒

狗可以:汪汪叫、吃、喝、拉、撒

如果我们分别为猫和狗创建一个类,那么就需要为猫和狗实现它们所有的功能,如下:

#伪代码

class 猫:

def 喵喵叫(self):

print('喵喵叫')

def 吃(self):

# do something

def 喝(self):

# do something

def 拉(self):

# do something

def 撒(self):

# do something

class 狗:

def 汪汪叫(self):

print('喵喵叫')

def 吃(self):

# do something

def 喝(self):

# do something

def 拉(self):

# do something

def 撒(self):

# do something

上述代码不难看出,吃喝拉撒是猫和狗都具有的功能,而我们却分别为猫和狗的类编写了二次。如果使用继承的思想,如下:

动物:吃、喝、拉、撒

猫:喵喵叫(猫继承动物的功能)

狗:汪汪叫(狗继承动物的功能)

#伪代码

class 动物:

def 吃(self):

# do something

def 喝(self):

# do something

def 拉(self):

# do something

def 撒(self):

# do something

# 在类后面括号中写入另外一个类名,表示当前类继承另外一个类

class 猫(动物):

def 喵喵叫(self):

print('喵喵叫')

# 在类后面括号中写入另外一个类名,表示当前类继承另外一个类

class 狗(动物):

def 汪汪叫(self):

print('喵喵叫')

#代码如下:

class Animal:

def eat(self):

print("%s 吃 " %self.name)

def drink(self):

print("%s 喝 " %self.name)

def shit(self):

print("%s 拉 " %self.name)

def pee(self):

print("%s 撒 " %self.name)

class Cat(Animal):

def __init__(self, name):

self.name = name

self.breed='猫'

def cry(self):

print('喵喵叫')

class Dog(Animal):

def __init__(self, name):

self.name = name

self.breed='狗'

def cry(self):

print('汪汪叫')

# ######### 执行 #########

c1 = Cat('小白家的小黑猫')

c1.eat()

c2 = Cat('小黑的小白猫')

c2.drink()

d1 = Dog('胖子家的小瘦狗')

d1.eat()

所以,对于面向过程的继承来说,其实就是将多个类共用的方法提取到父类中,子类仅需继承父类,而不必一一实现每个方法。

注:除了子类和父类的称谓,你可能看到过派生类和基类,他们与子类和父类只是叫法不同而已。

多继承

是否可以继承多个类?

如果继承的多个类每个类都定了相同的函数,那么那一个会被使用呢?

1.python的类可以继承多个类,java和C#中则只能继承一个类

2.python的类如果继承了多个类,那么其寻找方法的方式有二种,分别是:深度优先和广度优先

当类是经典类时,多继承情况下,会按照深度优先方式查找

当类时新式类时,多继承情况下,会按照广度优先方式查找

经典类和新式类从字面上可以看出一个老一个新,新的必须包含了更多的功能,也是之后推荐的写法,从写法上区分的话,如果当前类或者父类继承了object类,那么该类便是新式类,否则便是经典类。

#经典类多继承

class D:

def bar(self):

print('D.bar')

class C(D):

def bar(self):

print('C.bar')

class B(D):

def bar(self):

print('B.bar')

class A(B, C):

def bar(self):

print('A.bar')

a = A()

# 执行bar方法时

# 首先去A类中查找,如果A类中没有,则继续去B类中找,如果B类中么有,则继续去D类中找,如果D类中么有,则继续去C类中找,如果还是未找到,则报错

# 所以,查找顺序:A --> B --> D --> C

# 在上述查找bar方法的过程中,一旦找到,则寻找过程立即中断,便不会再继续找了

a.bar()

#新式类多继承

class D(object):

def bar(self):

print('D.bar')

class C(D):

def bar(self):

print('C.bar')

class B(D):

def bar(self):

print('B.bar')

class A(B, C):

def bar(self):

print('A.bar')

a = A()

# 执行bar方法时

# 首先去A类中查找,如果A类中没有,则继续去B类中找,如果B类中么有,则继续去C类中找,如果C类中么有,则继续去D类中找,如果还是未找到,则报错

# 所以,查找顺序:A --> B --> C --> D

# 在上述查找bar方法的过程中,一旦找到,则寻找过程立即中断,便不会再继续找了

a.bar()

经典类:首先去A类中查找,如果A类中没有,则继续去B类中找,如果B类中么有,则继续去D类中找,如果D类中么有,则继续去C类中找,如果还是未找到,则报错

新式类:首先去A类中查找,如果A类中没有,则继续去B类中找,如果B类中么有,则继续去C类中找,如果C类中么有,则继续去D类中找,如果还是未找到,则报错

注意:在上述查找过程中,一旦找到,则寻找过程立即中断,便不会再继续找了

python3中统一都是新式类

python2中才分新式类和经典类

三、多态

python不支持java和C#这一类强类型语言中多态的写法,但是原生多态python崇尚‘鸭子类型’。

#Python伪代码实现Java或C#的多态

class F1:

pass

class S1(F1):

def show(self):

print('S1.show')

class S2(F1):

def show(self):

print('S2.show')

# 由于在Java或C#中定义函数参数时,必须指定参数的类型

# 为了让Func函数既可以执行S1对象的show方法,又可以执行S2对象的show方法,所以,定义了一个S1和S2类的父类

# 而实际传入的参数是:S1对象和S2对象

def Func(F1 obj):

"""Func函数需要接收一个F1类型或者F1子类的类型"""

print(obj.show())

s1_obj = S1()

Func(s1_obj) # 在Func函数中传入S1类的对象 s1_obj,执行 S1 的show方法,结果:S1.show

s2_obj = S2()

Func(s2_obj) # 在Func函数中传入Ss类的对象 ss_obj,执行 Ss 的show方法,结果:S2.show

#Python “鸭子类型”

class F1:

pass

class S1(F1):

def show(self):

print('S1.show')

class S2(F1):

def show(self):

print('S2.show')

def Func(obj):

print(obj.show())

s1_obj = S1()

Func(s1_obj)

s2_obj = S2()

Func(s2_obj)

总结:

1.面向对象是一种编程方式,此编程方式的实现是基于对类和对象的使用;

2.类是一个模板,模板中包装了多个‘函数’供使用;

3.对象,根据模板创建的实例(即:对象),实例用于调用被包装在类中的函数;

4.面向对象三大特性:封装、继承和多态。

问答专区

问题一:什么样的代码才是面向对象?

从简单来说,如果程序中所有功能都是用类和对象来实现,那么就是面向对象编程了。

问题二:函数式编程和面向对象如何选择?分别在什么情况下使用?

对于java和C#程序员来说不存在这个问题,因为这二门语言只支持面向对象编程,不支持函数式编程。而对于python和php等语言却同时支持二种编程方式,且函数式编程能完成的操作,面向对象都可以实现;而面向对象的编程能完成的操作,函数式编程不行(函数式编程无法实现面向对象的封装功能)。

所以,一般在python开发中,全部使用面向对象或面向对象和函数式编程混合使用。

面向对象的应用场景:

1.多函数需使用共同的值,如:数据库的增、删、改、查操作都需要连接数据库字符串、主机名、用户名和密码。

1 classSqlHelper:2

3 def __init__(self, host, user, pwd):4

5 self.host =host6 self.user =user7 self.pwd =pwd8

9 def增(self):10 #使用主机名、用户名、密码(self.host 、self.user 、self.pwd)打开数据库连接

11 #do something

12 #关闭数据库连接

13

14 def删(self):15 #使用主机名、用户名、密码(self.host 、self.user 、self.pwd)打开数据库连接

16 #do something

17 #关闭数据库连接

18

19 def改(self):20 #使用主机名、用户名、密码(self.host 、self.user 、self.pwd)打开数据库连接

21 #do something

22 #关闭数据库连接

23

24 def查(self):25 #使用主机名、用户名、密码(self.host 、self.user 、self.pwd)打开数据库连接

26 #do something

27 #关闭数据库连接# do something

View Code

2.需要创建多个事物,每个事物属性个数相同,但是值的需求如:张三、李四、杨五,他们都有姓名、年龄、血型,但其都是不相同。即:属性个数相同,但值不相同。

1 classPerson:2

3 def __init__(self, name ,age ,blood_type):4

5 self.name =name6 self.age =age7 self.blood_type =blood_type8

9

10 defdetail(self):11 temp = "i am %s, age %s , blood type %s" %(self.name, self.age, self.blood_type)12 printtemp13

14 zhangsan = Person('张三', 18, 'A')15 lisi = Person('李四', 73, 'AB')16 yangwu = Person('杨五', 84, 'A')

View Code

问题三:类和对象在内存中是如何保存?

类以及类中的方法在内存中只有一份,而根据类创建的每一个对象都在内存中需要存一份,大致如下图:

如上图所示,根据类创建对象时,对象中除了封装name和age的值外,还会保存一个类对象指针,该指针指向当前对象的类。

当通过obj1执行“方法一”时,过程如下:

1.根据当前对象的类对象指针找到类中的方法。

2.将对象obj1当中参数传给方法的第一个参数self。

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
1 目标检测的定义 目标检测(Object Detection)的任务是找出图像中所有感兴趣的目标(物体),确定它们的类别和位置,是计算机视觉领域的核心问题之一。由于各类物体有不同的外观、形状和姿态,加上成像时光照、遮挡等因素的干扰,目标检测一直是计算机视觉领域最具有挑战性的问题。 目标检测任务可分为两个关键的子任务,目标定位和目标分类。首先检测图像中目标的位置(目标定位),然后给出每个目标的具体类别(目标分类)。输出结果是一个边界框(称为Bounding-box,一般形式为(x1,y1,x2,y2),表示框的左上角坐标和右下角坐标),一个置信度分数(Confidence Score),表示边界框中是否包含检测对象的概率和各个类别的概率(首先得到类别概率,经过Softmax可得到类别标签)。 1.1 Two stage方法 目前主流的基于深度学习的目标检测算法主要分为两类:Two stage和One stage。Two stage方法将目标检测过程分为两个阶段。第一个阶段是 Region Proposal 生成阶段,主要用于生成潜在的目标候选框(Bounding-box proposals)。这个阶段通常使用卷积神经网络(CNN)从输入图像中提取特征,然后通过一些技巧(如选择性搜索)来生成候选框。第二个阶段是分类和位置精修阶段,将第一个阶段生成的候选框输入到另一个 CNN 中进行分类,并根据分类结果对候选框的位置进行微调。Two stage 方法的优点是准确度较高,缺点是速度相对较慢。 常见Tow stage目标检测算法有:R-CNN系列、SPPNet等。 1.2 One stage方法 One stage方法直接利用模型提取特征值,并利用这些特征值进行目标的分类和定位,不需要生成Region Proposal。这种方法的优点是速度快,因为省略了Region Proposal生成的过程。One stage方法的缺点是准确度相对较低,因为它没有对潜在的目标进行预先筛选。 常见的One stage目标检测算法有:YOLO系列、SSD系列和RetinaNet等。 2 常见名词解释 2.1 NMS(Non-Maximum Suppression) 目标检测模型一般会给出目标的多个预测边界框,对成百上千的预测边界框都进行调整肯定是不可行的,需要对这些结果先进行一个大体的挑选。NMS称为非极大值抑制,作用是从众多预测边界框中挑选出最具代表性的结果,这样可以加快算法效率,其主要流程如下: 设定一个置信度分数阈值,将置信度分数小于阈值的直接过滤掉 将剩下框的置信度分数从大到小排序,选中值最大的框 遍历其余的框,如果和当前框的重叠面积(IOU)大于设定的阈值(一般为0.7),就将框删除(超过设定阈值,认为两个框的里面的物体属于同一个类别) 从未处理的框中继续选一个置信度分数最大的,重复上述过程,直至所有框处理完毕 2.2 IoU(Intersection over Union) 定义了两个边界框的重叠度,当预测边界框和真实边界框差异很小时,或重叠度很大时,表示模型产生的预测边界框很准确。边界框A、B的IOU计算公式为: 2.3 mAP(mean Average Precision) mAP即均值平均精度,是评估目标检测模型效果的最重要指标,这个值介于0到1之间,且越大越好。mAP是AP(Average Precision)的平均值,那么首先需要了解AP的概念。想要了解AP的概念,还要首先了解目标检测中Precision和Recall的概念。 首先我们设置置信度阈值(Confidence Threshold)和IoU阈值(一般设置为0.5,也会衡量0.75以及0.9的mAP值): 当一个预测边界框被认为是True Positive(TP)时,需要同时满足下面三个条件: Confidence Score > Confidence Threshold 预测类别匹配真实值(Ground truth)的类别 预测边界框的IoU大于设定的IoU阈值 不满足条件2或条件3,则认为是False Positive(FP)。当对应同一个真值有多个预测结果时,只有最高置信度分数的预测结果被认为是True Positive,其余被认为是False Positive。 Precision和Recall的概念如下图所示: Precision表示TP与预测边界框数量的比值 Recall表示TP与真实边界框数量的比值 改变不同的置信度阈值,可以获得多组Precision和Recall,Recall放X轴,Precision放Y轴,可以画出一个Precision-Recall曲线,简称P-R
图像识别技术在病虫害检测中的应用是一个快速发展的领域,它结合了计算机视觉和机器学习算法来自动识别和分类植物上的病虫害。以下是这一技术的一些关键步骤和组成部分: 1. **数据收集**:首先需要收集大量的植物图像数据,这些数据包括健康植物的图像以及受不同病虫害影响的植物图像。 2. **图像预处理**:对收集到的图像进行处理,以提高后续分析的准确性。这可能包括调整亮度、对比度、去噪、裁剪、缩放等。 3. **特征提取**:从图像中提取有助于识别病虫害的特征。这些特征可能包括颜色、纹理、形状、边缘等。 4. **模型训练**:使用机器学习算法(如支持向量机、随机森林、卷积神经网络等)来训练模型。训练过程中,算法会学习如何根据提取的特征来识别不同的病虫害。 5. **模型验证和测试**:在独立的测试集上验证模型的性能,以确保其准确性和泛化能力。 6. **部署和应用**:将训练好的模型部署到实际的病虫害检测系统中,可以是移动应用、网页服务或集成到智能农业设备中。 7. **实时监测**:在实际应用中,系统可以实时接收植物图像,并快速给出病虫害的检测结果。 8. **持续学习**:随着时间的推移,系统可以不断学习新的病虫害样本,以提高其识别能力。 9. **用户界面**:为了方便用户使用,通常会有一个用户友好的界面,显示检测结果,并提供进一步的指导或建议。 这项技术的优势在于它可以快速、准确地识别出病虫害,甚至在早期阶段就能发现问题,从而及时采取措施。此外,它还可以减少对化学农药的依赖,支持可持续农业发展。随着技术的不断进步,图像识别在病虫害检测中的应用将越来越广泛。
1 目标检测的定义 目标检测(Object Detection)的任务是找出图像中所有感兴趣的目标(物体),确定它们的类别和位置,是计算机视觉领域的核心问题之一。由于各类物体有不同的外观、形状和姿态,加上成像时光照、遮挡等因素的干扰,目标检测一直是计算机视觉领域最具有挑战性的问题。 目标检测任务可分为两个关键的子任务,目标定位和目标分类。首先检测图像中目标的位置(目标定位),然后给出每个目标的具体类别(目标分类)。输出结果是一个边界框(称为Bounding-box,一般形式为(x1,y1,x2,y2),表示框的左上角坐标和右下角坐标),一个置信度分数(Confidence Score),表示边界框中是否包含检测对象的概率和各个类别的概率(首先得到类别概率,经过Softmax可得到类别标签)。 1.1 Two stage方法 目前主流的基于深度学习的目标检测算法主要分为两类:Two stage和One stage。Two stage方法将目标检测过程分为两个阶段。第一个阶段是 Region Proposal 生成阶段,主要用于生成潜在的目标候选框(Bounding-box proposals)。这个阶段通常使用卷积神经网络(CNN)从输入图像中提取特征,然后通过一些技巧(如选择性搜索)来生成候选框。第二个阶段是分类和位置精修阶段,将第一个阶段生成的候选框输入到另一个 CNN 中进行分类,并根据分类结果对候选框的位置进行微调。Two stage 方法的优点是准确度较高,缺点是速度相对较慢。 常见Tow stage目标检测算法有:R-CNN系列、SPPNet等。 1.2 One stage方法 One stage方法直接利用模型提取特征值,并利用这些特征值进行目标的分类和定位,不需要生成Region Proposal。这种方法的优点是速度快,因为省略了Region Proposal生成的过程。One stage方法的缺点是准确度相对较低,因为它没有对潜在的目标进行预先筛选。 常见的One stage目标检测算法有:YOLO系列、SSD系列和RetinaNet等。 2 常见名词解释 2.1 NMS(Non-Maximum Suppression) 目标检测模型一般会给出目标的多个预测边界框,对成百上千的预测边界框都进行调整肯定是不可行的,需要对这些结果先进行一个大体的挑选。NMS称为非极大值抑制,作用是从众多预测边界框中挑选出最具代表性的结果,这样可以加快算法效率,其主要流程如下: 设定一个置信度分数阈值,将置信度分数小于阈值的直接过滤掉 将剩下框的置信度分数从大到小排序,选中值最大的框 遍历其余的框,如果和当前框的重叠面积(IOU)大于设定的阈值(一般为0.7),就将框删除(超过设定阈值,认为两个框的里面的物体属于同一个类别) 从未处理的框中继续选一个置信度分数最大的,重复上述过程,直至所有框处理完毕 2.2 IoU(Intersection over Union) 定义了两个边界框的重叠度,当预测边界框和真实边界框差异很小时,或重叠度很大时,表示模型产生的预测边界框很准确。边界框A、B的IOU计算公式为: 2.3 mAP(mean Average Precision) mAP即均值平均精度,是评估目标检测模型效果的最重要指标,这个值介于0到1之间,且越大越好。mAP是AP(Average Precision)的平均值,那么首先需要了解AP的概念。想要了解AP的概念,还要首先了解目标检测中Precision和Recall的概念。 首先我们设置置信度阈值(Confidence Threshold)和IoU阈值(一般设置为0.5,也会衡量0.75以及0.9的mAP值): 当一个预测边界框被认为是True Positive(TP)时,需要同时满足下面三个条件: Confidence Score > Confidence Threshold 预测类别匹配真实值(Ground truth)的类别 预测边界框的IoU大于设定的IoU阈值 不满足条件2或条件3,则认为是False Positive(FP)。当对应同一个真值有多个预测结果时,只有最高置信度分数的预测结果被认为是True Positive,其余被认为是False Positive。 Precision和Recall的概念如下图所示: Precision表示TP与预测边界框数量的比值 Recall表示TP与真实边界框数量的比值 改变不同的置信度阈值,可以获得多组Precision和Recall,Recall放X轴,Precision放Y轴,可以画出一个Precision-Recall曲线,简称P-R
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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