第一章绪论基本概念：机器学习：研究计算机从数据中产生“模型”的算法——“学习算法”。深度学习：指神经网络类算法，是机器学习的一个子集。算法：从数据中学习得出模型的具体方法。模型：算法产出的结果，通常是具体的函数或可抽象看作函数。假设：学得模型对应了关于数据的某种潜在

        上一篇文章我们提到，查全率和查准率是一对矛盾的度量，那在实际的应用中怎么选取一个合适的值去平衡这两个度量，这里我们介绍三种方法，这个值就叫做最优阈值。1.方法一：选择平衡点      我们看下图        如图一中所示，Threshold就是阈值，Precision

单一数字评估指标无论是调整超参数，或者是尝试不同的学习算法，或者在搭建机器学习系统时尝试不同手段，会发现，如果有一个单实数评估指标，进展会快得多，它可以快速告诉，新尝试的手段比之前的手段好还是差。所以当团队开始进行机器学习项目时，经常推荐他们为问题设置一个单实数评估指标。

1.绪论学到什么程度：1.1基本术语特征：反映事件或对象在某方面的表现或性质的事项，例如"色泽""根蒂""敲声"，称为"属性"(attribute)或"特征"(feature);样本空间：属性张成的空间称为"属性空间"(attributespace)"样本空间"(samp1espace)。"例如我们把"色泽&quo

在癌症示例中，敏感性和特异性指：敏感性（sensitivity）：在患有癌症的所有人中，诊断正确的人有多少？特异性（speciticity）：在未患癌症的所有人中，诊断正确的人有多少？查准率和查全率的定义如下：查准率（precision）：在被诊断患有癌症的所有人中，多少人确实得了癌症？查全率（recall）：在患有癌症的所有人中，

召回率(RecallRate，也叫查全率)是检索出的相关文档数和文档库中所有的相关文档数的比率，衡量的是检索系统的查全率；精确率（PrecisionRate，也叫查准率）是检索出的相关文档数与检索出的文档总数的比率，衡量的是检索系统的查准率。概率论中的第一类错误和第二类错误：第一类错误：原假设是正

摘要：为了评价模型的泛化能力，即判断模型的好坏，我们需要用某个指标来衡量，有了评价指标，就可以对比不同模型的优劣，并通过这个指标来进一步调参优化模型。本文分享自华为云社区

数据预处理：清理灰度处理： 零件缺陷检测，裂缝 减少数据量减少运算量只需要一个值正则化：normalization 分布不 加快收敛速度数据增强： 数据不均衡的时候为了增

前言一，精确率、召回率与F11.1，准确率1.2，精确率、召回率1.3，F1分数1.4，PR曲线1.4.1，如何理解P-R曲线1.5，ROC曲线与AUC面积二，AP与mAP2.1，AP与mAP指标

查准率和查全率是一对矛盾的的度量。一般来说，查全率高时，查准率往往偏低；而查全率高时，查准率往往偏低。通常只有在一些简单任务中，才可能使查全率和查准率都很好高。

目录目录目录前言一，精确率、召回率与F11.1，准确率1.2，精确率、召回率1.3，F1分数1.4，PR曲线1.4.1，如何理解P-R曲线1.5，ROC曲线与AUC面积二，AP与mAP2.1，AP与mAP指标理解

参考：西瓜书第二章​之前的文章​​介绍了多种模型选择的概念，其关键是设计一个对比各个方法所得模型及其模型参数的规范流程，并利用它从假设空间中选出泛化能力最强的模型，形式

目录​​〇、推荐​​​​一、简述​​​​二、罗里吧嗦​​​​三、精确率、召回率、F1​​​​四、AP和mAP(meanAveragePrecision)​​​​五、ROC和AUC​​​​六、总

布尔逻辑改变顺序用括号(A+B)*与AND或*，提高查准率或OR或+，提高查全率非NOT或-截词检索?有限截断或*无限截断为了扩大范围，提高查全率中间截断analy?e

1.混淆矩阵通常对于二分类模型，我们的预测结果与实际情况两两组合，会得到4种结果。这4中结果组成了混淆矩阵。以0,1作为两种类别。如下：用P(Positive)、N(Negative