-
模型评估。
查看全部 -
jupyter主题安装
查看全部 -
人工智能核心方法。查看全部
-
机器人的特点？查看全部
-
信息处理，自我学习，优化升级。人工智能的特点。查看全部
-
人工智能的特点：信息处理、查看全部
-
CSV 下载地址：https://github.com/weiwanling/TensorFlow_Experiment/tree/1241a064d780cdcf278e4f8edec0f7bbd9bc0aea
查看全部 -
# True Positives(TP):预测准确、实际为正样本的数量(实际为1,预测为1) # True Negatives(TN):预测准确、实际为负样本的数量(实际为0,预测为0) # False Positives(FP):预则错误、实际为负样本的数量(实际为0,预测为1) # False Negatives(FN):预测错误、实际为正样本的数量(实际为1,预测为0) # 准确率 (TP+TN)/(TP+TN+FP+FN) 整体样本中，预测正确的比例 # 错误率 （FP+FN）/(TP+TN+FP+FN) 整体样本中，预测错误的比例 # 召回率 TP/(TP+FN) 正样本中，预测正确的比例 # 特异度 TN/(TN+FP) 负样本中，预测正确的比例 # 精确率 TP/(TP+FP) 预测结果为正样本中，预测正确的比例 # F1分数 2*精确率*召回率/(精确率+召回率) 综合精确率和召回率的指标
查看全部 -
# 泥淆矩阵,又称为误差矩阵,用于衡量分类算法的准确程度 # --------------------预测结果--------------------------------- # 0 1 # 实际 0 True Negatives(TN) False Positives(FP) # 结果 1 False Negatives(FN) True Positives(TP) # ------------------------------------------------------------ # True Positives(TP):预测准确、实际为正样本的数量(实际为1,预测为1) # True Negatives(TN):预测准确、实际为负样本的数量(实际为0,预测为0) # False Positives(FP):预则错误、实际为负样本的数量(实际为0,预测为1) # False Negatives(FN):预测错误、实际为正样本的数量(实际为1,预测为0)
查看全部 -
通过多个角度看模型评估的好坏
查看全部 -
逻辑回归：计算概率判断类别，应用场景 二分类问题
准确率预测的局限性：准确度存在空准确率的问题（直接丢掉了负样本，只关注正样本）、没有体现实际分布情况、没有体现模型错误预测类型
混淆矩阵：又称为误差矩阵，衡量分类算法的准确程度，含6个指标
查看全部 -
数据分离：
from sklearn.model_selection import train_test_split
X_train, X_test, y_train, y_test = train_test_split(X,y,test_size = 0.4)
定义一个k的范围：k_range = list(range(1,26))
定义变量存储多个数据：score_train = []
将单个数据存储在范围变量中：score_train.append(accuracy_score(y_train, y_train_pred))
定义一个循环：for k in k_range：
以线的形式绘制一个对比图：
import matplotlib.pyplot as plt
%matplotlib inline
plt.plot(k_range,score_test)
plt.xlabel('K(Knn model)')
plt.ylabel('test_accuracy')
当k=1的时候，模型是最复杂的
查看全部
举报
0/150
提交
取消