优达（Udacity）-机器学习基础-评估指标

最新推荐文章于 2020-03-15 15:04:38 发布
最新推荐文章于 2020-03-15 15:04:38 发布
阅读量718 收藏
点赞数
分类专栏： 机器学习 文章标签： 机器学习 数据 预测
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/zhning12L/article/details/78641576
版权
本文介绍了机器学习中常用的评估指标，包括准确度、混淆矩阵、召回率、精确率和F1分数。准确度在处理类别不平衡时可能产生误导，而混淆矩阵则能更全面地评估模型性能。召回率和精确率是衡量分类效果的重要指标，F1分数则是两者综合。此外，还探讨了回归问题中的平均绝对误差和均方误差等指标，以及R2分数和可释方差分数在评估回归模型时的作用。
摘要由CSDN通过智能技术生成

评估指标

  • 由要解决的问题选择性能指标，然后测试模型表现。

准确度：某特定类别中我们正确标记并正确识别为此类别的项目或数据点的数量，除以该类别中全部项目或数据点的数量。

  • 准确度的缺陷

准确度会在出现偏斜类时出现问题
有时你宁可猜测某人是无辜的以免被误关进监狱
有时你宁可假设某人是有罪的再进行排除

混淆矩阵

这里写图片描述

左边矩阵上方是实际分类，左方是预测的分类。

  • 决策树混淆矩阵

这里写图片描述

  • 召回率（Recall）

    这个人是Hugo的情况下，我们的算法准确识别Hugo的概率

  • 精确率(Precision)

    假设我们的算法检测到了Hugo，那么此人确实是Hugo的概率

请反复诵读上面两个概念！！！非常重要！！！

这里写图片描述

用另一个人来做例子

这里写图片描述

  • 特征脸方法

True Positive
False Positive
False Negitive

  • 注意：

Flase Negitive 即：假负例
这里的意思是：当我们预测他不是Colin，但实际上他是Colin的个数！！！
所以放在示例里，应该是label为真，而预测为假的个数！！
（这里在后面的迷你项目中很有迷惑性！）

这里写图片描述

  • 召回率的计算公式

这里写图片描述

  • 精确率的计算公式

最低0.47元/天 解锁文章
沐婉清
关注
  • 0
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
优达学城-神经网络之预测共享单车使用情况 代码分析
allen_li123的博客
03-02 4178
优达学城-神经网络之预测共享单车使用情况 代码分析 标签（）： 机器学习 代码来自于优达学城深度学习纳米学位课程的第一个项目 https://cn.udacity.com/course/deep-learning-nanodegree-foundation–nd101-cn 通过这个项目可以从单车的近两年使用数据用神经网络预测以后的共享单车是使用情况 预先准备配置环境参照优达学城提供...
Udacity机器学习入门——交叉验证（cross-validation）
u012084802的博客
05-09 1378
测试数据可以让你评估你的分类器或回归在独立数据集上的性能，还能帮助你避免过度拟合在sklearn中训练/测试分离sklearn链接：http://scikit-learn.org/stable/modules/cross_validation.html加载数据集以适应线性SVM：from sklearn import datasets from sklearn.svm import SVC ir...
优达机器学习：评估指标
灵魂画师牧码
11-23 401
准确率、精确率和召回率对于上图中的预测情况来看 精确率为 （8+9）/20 = 85%，表示的是所有预测正确数量占总体预测数量的比例 准确率为 8/（1+8）=88.89%，表示的是positive情况下，预测正确的个数占总positive预测数的比例 召回率为8/（2+8）=80%，表示的是positive情况下，预测正确的个数占positive实际总数的比例 准确率和召回率一般都指的是posit
优达学城-机器学习-14监督学习项目-捐助者预测
qq_39817865的博客
03-15 203
选择的算法：决策树、集成方法、支撑向量机 决策树 模型在真实世界中也应用场景 在金融方面使用决策树建模分析，用于评估用户的信用、贷款违约率等；在电子商务中，可以根据用户的以往的交易种类、时间、价格建立商品推荐体统等。 引用连接：信贷方面的应用电商推荐系统 这个模型的优势是什么？ 决策树易于实现和理解； 对于决策树，数据的准备工作一般比较简单； 能够同时处理多种数据类型...
机器学习中学习曲线与模型复杂化
老男人
10-18 491
学习曲线 让我们根据模型通过可视化图形从数据中学习的能力来探讨偏差与方差之间的关系。 机器学习中的学习曲线是一种可视化图形，能根据一系列训练实例中的训练和测试数据比较模型的指标性能。 在查看数据与误差之间的关系时，我们通常会看到，随着训练点数量的增加，误差会趋于下降。由于我们尝试构建从经验中学习的模型，因此这很有意义。 我们将训练集和测试集分隔开，以便更好地了解能否将模型泛化到未见过的数...
优达（Udacity）_19.评估指标
qq_38362311的博客
02-05 254
2.评估指标（evaluation metrics） （1）机器学习研究的是，如何根据数据进行预测。 （2）务必要将数据分为训练集以及测试集，目的是对得到独立的数据集并以此对模型进行良好的泛化。 （3）针对不同的模型，选择相关的指标，完成对模型的评估。之后将介绍常见的模型误差来源，以及如何正确分解数据集 3.分类和回归 （1）分类指，根据未见过的样本进行预测，并对未知的实例进行分类，离散
优达（Udacity）-机器学习基础-数据集与问题（安然数据集）
沐沐
11-23 2719
写在前面： python2对于中文的处理能力很弱，所以使用中文注解的时候会报错 解决方案： 在.py文件前加编码注释, 选用utf-8编码即可使用中文.# -*- coding: utf-8 -*-附上用到的一些python方法: dict.items( ) Python 字典(Dictionary) items() 函数以列表返回可遍历的(键, 值) 元组数组。实例： #!/usr/b
dogs-vs-cats:优达学城-机器学习-毕业项目-猫狗大战
05-01
是kaggle比赛中的经典题目，也是Udacity的机器学习学位的毕业课题。要求在最终在测试集的结果排在Public Leaderboard的前10%，具体要求为。 项目资料 数据集下载： ，kaggle一共提供了两个数据集train与test。其中...
优达（Udacity）-机器学习基础-回归
沐沐
11-24 1023
from sklearn.linear_model import LinearRegression reg = LinearRegerssion() reg.fit(ages_train , net_worths_train)print "Katie's net worth prediction: ", reg.predict([27]) print "slope:", reg.coef_ prin
颜色分类leetcode-UDACITY-self-driving-car:Udacity无人驾驶汽车工程师纳米学位项目
07-06
颜色分类leetcode Udacity 自动驾驶汽车工程师纳米学位 图片：优达学城无人驾驶汽车纳米学位 ...这项惊人的技术是通过计算机视觉、机器人控制、本地化、路径规划、机器学习等领域的交互式项目来实践的。 图
优达学城机器学习之--朴素贝叶斯
辰辰沉沉大辰沉
12-26 2321
前言 通过漫长的先修课程，终于来到了真正的机器学习。 从散点图到决策面 机器学习算法做的事情是定义了一个所谓的决策面(decision surface)。决策面通常位于两个不同类之间的某个位置上。当我们使用决策面，那么判断标记所属的分类就简单多了。可将决策面泛化为区分数据的不同类型，可以对之前从未出现的数据点进行分类。 当决策面是一条直线时，我们称它为线性决策面。 机器学习算法所做的是根据...
Udacity数据分析（入门）-分析 A/B 测试结果
数据菜鸡的博客
11-18 9655
分析A/B测试结果 目录 简介 I - 概率 II - A/B 测试 III - 回归 简介 对于这个项目，你将要了解的是电子商务网站运行的 A/B 测试的结果。你的目标是通过这个 notebook 来帮助公司弄清楚他们是否应该使用新的页面，保留旧的页面，或者应该将测试时间延长，之后再做出决定。 I - 概率 让我们先导入库，然后开始你的任务吧。 import pandas as pd i...
模型评估方法——混淆矩阵 fscore
vvickey11的博客
12-05 1588
http://www.afenxi.com/post/17815 这个网址的混淆矩阵讲的很透彻，值得学习！
优达机器学习：交叉验证
灵魂画师牧码
11-23 607
练习：在 Sklearn 中训练/测试分离features_train, features_test, labels_train, labels_test = cross_validation.train_test_split(iris.data, iris.target, test_size=0.4, random_state=0)K折交叉验证 可能会出现分类都一样的问题 GridSearchCV
numpy库矩阵信息的获取（最大值最小值、平均值、中值、方差标准差、求和）
热门推荐
沐沐
11-29 8万+
最大值、最小值获得整个矩阵、行或列的最大最小值。 获得元素最大值的函数：max 获得元素最小值的函数：min 示例代码：import numpy as npa = np.array([[1,2,3],[4,5,6]]) print(a.max()) #获取整个矩阵的最大值 结果： 6 print(a.min()) #结果：1# 可以指定关键字参数axis来获得行最大（小）值或列最大（小）值 # a
sklearn 精确率、召回率
沐沐
11-27 9381
精确率sklearn.metrics.precision_score(y_true, y_pred, labels=None, pos_label=1, average=’binary’, sample_weight=None)[source] Examples >>> from sklearn.metrics import precision_score >>> y_true = [0, 1, 2
高斯混合模型聚类算法和K-Means聚类算法
沐沐
12-18 4875
高斯混合模型聚类算法 概念：混合高斯模型就是指对样本的概率密度分布进行估计，而估计的模型是几个高斯模型加权之和（具体是几个要在模型训练前建立好）。每个高斯模型就代表了一个类（一个Cluster）。对样本中的数据分别在几个高斯模型上投影，就会分别得到在各个类上的概率。然后我们可以选取概率最大的类所为判决结果。 SKlearn链接：Gaussian Mixture Model Ellipsoids 优点
State Farm Distracted Driver Detection Proposal
沐沐
10-01 2492
State Farm Distracted Driver DetectionSummaryIntroductionBackground to the researchBenchmark ModelInceptionXceptionVGG16 & VGG19Project DesignProject Confirmation and solutionsFinding InformationD...
学习Android开发的基础知识的资料
最新发布
06-02
3. Udacity（优达学城）：Udacity是一家提供在线编程课程的公司，它提供了许多优秀的Android开发课程，包括Android基础、进阶、高级开发等方面的课程。 4. Coursera：Coursera是一个在线教育平台，提供了许多高质量...
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