先理解一下正类（Positive）和负类（Negetive），比如现在要预测用户是否点击了某个广告链接，点击了才是我们要的结果，这时，点击了则表示为正类，没点击则表示为负类。 TP(True Positive)：被预测成了正类的正类，即正确预测的正类 FP(False Positive)：被预测成了正类的负类 TN(True Nege
接收器操作特性（ROC）曲线可能是评估评分分类器的预测性能的最常用的度量。 预测正类（+1）和负类（-1）的分类器的混淆矩阵具有以下结构： 预测/参考类 +1 -1 +1 TP FP -1 FN TN 这里，TP表示真阳性的数量（模型正确预测正类），FP表示误报的数量（模型错误地预测正类），FN表示假阴性的数量（模型错误地预
https://blog.csdn.net/valada/article/details/80892583 获取语料 语料，即语言材料。语料是语言学研究的内容。语料是构成语料库的基本单元。所以，人们简单地用文本作为替代，并把文本中的上下文关系作为现实世界中语言的上下文关系的替代品。我们把一个文本集合称为语料库（Corpus），
接收器操作特性（ROC）曲线可能是评估评分分类器的预测性能的最常用的度量。 预测正类（+1）和负类（-1）的分类器的混淆矩阵具有以下结构： 预测/参考类+1-1 +1 TP FP -1 FN TN 这里，TP表示真阳性的数量（模型正确预测正类），FP表示误报的数量（模型错误地预测正类），FN表示假阴性的数量（模型错误
第1章 机器学习概述1.1 机器学习是啥？1.2 机器学习能干啥？1.3 机器学习有啥？1.4 机器学习怎么用？第2章 机器学习的相关概念2.1 数据集2.2 泛化能力2.3 过拟合和欠拟合2.4 维度、特征2.5 模型2.6 学习第3章 算法常用指标3.1 精确率和召回率3.2 TPR、FPR & TNR3.3 综合评价指标 F-measur
一、编译 Linux 固件 这一章将介绍编译 ROC-RK3328-CC Linux 固件的整个流程。 1.1 准备工作 Linux 固件在如下的环境中编译: Ubuntu 16.04 amd64 安装以下包: sudo apt-get install bc bison build-essential curl \ device-tree-compiler dosfstools flex gcc-aarch
1 错误率与精度 分类错误的样本数占样本总数的比例。 分类正确的样本数占样本总数的比例。 2 查准率（precision） 查全率（recall） F1 查准率又叫“准确率”，通俗的理解是“挑出的西瓜有多少比例是好瓜”；查全率又叫“召回率”，通俗的理解是“所有的好瓜中有多少比例被挑出来了”。
非均衡数据处理--如何评价？ 什么是非均衡数据？ 这个问题很直观， 就是样本中数据的不同类别的样本的比例相差很大， 一般可以达到 9:1 或者更高。 这种情况其实蛮常见的， 譬如去医院看病的人，最后当场死亡的比例（大部分人还是能活着走出医院的， 所以要对医生好点）。 或者搞大数
ROC 曲线：接收者操作特征曲线(receiver operating characteristic curve)，是反映敏感性和特异性连续变量的综合指标，roc 曲线上每个点反映着对同一信号刺激的感受性。 对于分类器或者说分类算法，评价指标主要有precision，recall，F1 score等，以及这里要讨论的ROC和AUC。下图是一个 ROC 曲线
1、混淆矩阵 一般情况下，分类器的好坏是通过错误率来衡量的。错误率指的是在测试数据中错误分类的样本所占比例。然而，这样进行度量掩盖了样例如何被分错的原因。 三类问题混淆矩阵示例： 当该矩阵中非对角元素均为0，那么就会得到完美的分类器。 二分类混淆矩阵： 在分类中，当某个类别的
# -*- coding: utf-8 -*- import numpy as np import matplotlib.pyplot as plt from sklearn import svm, datasets from sklearn.metrics import roc_curve, auc ###计算roc和auc from sklearn import cross_validation from pandas import DataFrame,Series impo
为什么需要评估模型 评估训练出的模型是准确预测的关键。训练出的模型是建立在总数据的子集上的，其被称为训练数据，训练结束后该模型将被用于预测其它新数据。 通过训练集产生的模型，利用测试数据来进行模型效果的评估，评估结果以模型评估报告的形式呈现，在报告中通过AUC值、模型准
Docker 是一个开源的应用容器引擎，让开发者可以打包他们的应用以及依赖包到一个可移植的容器中，然后发布到任何流行的 Linux 机器上，也可以实现虚拟化。容器是完全使用沙箱机制，相互之间不会有任何接口。Buildroot上做一些开发相比ubuntu等版本麻烦不少，如果结合Docker做应用开发，将会方
