教程

同济子豪兄 https://space.bilibili.com/1900783
https://www.bilibili.com/video/BV1qe4y1D7zD

环境配置

数据处理：numpy pandas

机器学习库：scikit-learn

画图的：matplotlib seaborn

HTTP请求：requests

进度条：tqdm

图像处理：opencv-python pillow kaleido

Kaleido是一个跨平台的库，用于为基于Web的可视化库生成静态图像（例如png，svg，pdf等），尤其着重于消除外部依赖性。

pytorch工具：torch torchvision torchaudio

下载可以用清华源：https://pypi.tuna.tsinghua.edu.cn/simple

混淆矩阵

from sklearn.metrics import confusion_matrix

混淆矩阵（Confusion Matrix），是一种在深度学习中常用的辅助工具，可以让你直观地了解你的模型在哪一类样本里面表现得不是很好。

TP(True Positive)：将正类预测为正类数，真实为0，预测也为0

FN(False Negative)：将正类预测为负类数，真实为0，预测为1

FP(False Positive)：将负类预测为正类数， 真实为1，预测为0

TN(True Negative)：将负类预测为负类数，真实为1，预测也为1

Recall = 真实值为正例子（类别1）中预测正确的比例

precision = 预测值为正例子（类别1）中预测正确的比例

PR曲线

from sklearn.metrics import precision_recall_curve
from sklearn.metrics import average_precision_score

Precision-Recall的平衡，PR图是y轴为Precison,x轴为Recall

ROC 曲线

该曲线的纵坐标为真阳性率（True Positive Rate, TPR）,横坐标为假阳性率（False Positive Rate, FPR）,曲线和X轴围城的面积是AUC。

TPR = TP/(TP + FN)

FPR = FP/(FP + TN)

acc = (TP + FP)/(TP+FP+FN+TN)

扩展阅读mark

机器学习分类评估指标
公众号 人工智能小技巧 回复 混淆矩阵

手绘笔记讲解：https://www.bilibili.com/video/BV1iJ41127wr?p=3

混淆矩阵： https://www.bilibili.com/video/BV1iJ41127wr?p=4

https://www.bilibili.com/video/BV1iJ41127wr?p=5

ROC曲线： https://www.bilibili.com/video/BV1iJ41127wr?p=6

https://www.bilibili.com/video/BV1iJ41127wr?p=7

https://www.bilibili.com/video/BV1iJ41127wr?p=8

F1-score：https://www.bilibili.com/video/BV1iJ41127wr?p=9

F-beta-score：https://www.bilibili.com/video/BV1iJ41127wr?p=10

语义特征降维可视化
【斯坦福CS231N】可视化卷积神经网络：https://www.bilibili.com/video/BV1K7411W7So

五万张ImageNet 验证集图像的语义特征降维可视化：https://cs.stanford.edu/people/karpathy/cnnembed/

谷歌可视化降维工具Embedding Projector https://www.bilibili.com/video/BV1iJ41127wr?p=11