TP（TruePositive）：真正例，真值和预测值都是正例FP（FalsePositive）：假正例，真值是负例，预测值是正例FN（FalseNegative）：假负例，真值是正例，预测值是负例TN（TrueNegative）：真负例，真值和预测值都是负例Accuracy（准确率）：对于给定的测试数据集，分类器正确分类的样本数与总样本数之比。P

关注我，持续分享逻辑思维&管理思维&面试题；可提供大厂面试辅导、及定制化求职/在职/管理/架构辅导；推荐专栏《10天学会使用asp.net编程AI大模型》，目前已完成所有内容。一顿烧烤不到的费用，让人能紧跟时代的浪潮。从普通网站，到公众号、小程序，再到AI大模型网站。干货满满。学成后可

1.假设有一个二分类的数据集，共含有100个样本，其中正例和负例的比例是1:1，使用某分类模型采用五折交叉验证实验三次，子集与原数据集独立同分布，结果如下。表1.五折交叉验证正例分类结果统计D1为测试集D2为测试集D3为测试集D4为测试集D5为测试集第一次9/2     

文章目录前言1.开闭原则（Open/ClosedPrinciple）违反开闭原则的示例遵循开闭原则的示例2.里氏代换原则（LiskovSubstitutionPrinciple）违反里氏代换原则的示例遵循里氏代换原则的示例3.依赖倒转原则（DependencyInversionPrinciple）违反依赖倒转原则的示例遵循依赖倒转

Java编程规范命名风格1.【强制】代码中的命名均不能以下划线或美元符号开始，也不能以下划线或美元符号结束。反例：_name/__name/$name/name_/name$/name__2.【强制】代码中的命名严禁使用拼音与英文混合的方式，更不允许直接使用中文的方式。说明：正确的英文拼写

混淆矩阵(ConfusionMatrix)是一个常用的分类模型性能评价工具，用于可视化分类算法的性能表现。混淆矩阵以矩阵的形式展示了分类模型的预测结果与真实结果之间的各种组合情况。混淆矩阵通常是一个2x2的矩阵，如果是二分类问题的话。矩阵的行代表真实的类别，列代表预测的类别。矩

一、编程规约(一)命名规约1.【强制】所有编程相关命名均不能以下划线或美元符号开始，也不能以下划线或美元符号结束。反例： name/__name/$Object/name /name$/Object$2.【强制】所有编程相关的命名严禁使用拼音与英文混合的方式，更不允许直接使用中文的方式。说明：正确

第三章线性模型1.形式一般用向量形式表示，f(x)=wTx+b2.线性回归线性回归试图学得一个线性模型以尽可能准确地预测实值输出标记最小二乘法：基于均方差最小化来进行模型求解的方法，即试图找到一条直线，使所有样本到直线上的欧氏距离之和最小多元线性回归：样本有d个属性描述

在我前面的系列博文中，对于目标检测系列的任务写了很多超详细的教程，目的是能够读完文章即可实现自己完整地去开发构建自己的目标检测系统，感兴趣的话可以自行移步阅读：《基于官方YOLOv4-u5【yolov5风格实现】开发构建目标检测模型超详细实战教程【以自建缺陷检测数据集为例】》

在机器学习和深度学习中，将分类任务的预测结果分为以下四种，被称作混淆矩阵：TruePositive(TP)：预测出的为正例，标签值也为正例，预测正确FalseNegative(FN)：预测出的为负例，标签值为正例，预测错误FalsePositive(FP)：预测出的为正例，标签值为负例，预测错误TrueNegative(TN)：预测出的为负

准确率和召回率的评估方法：准确率和召回率是分类任务中常用的评估指标，它们从不同的角度衡量了分类模型的性能。以下是准确率和召回率的评估方法：定义混淆矩阵：混淆矩阵（ConfusionMatrix）是一个表格，用于展示分类模型的预测结果与实际结果之间的关系。它的行通常代表实际类别，列代表预

2.5如何绘制ROC曲线？前情提要：2.4ROC曲线是什么？​事实上，ROC曲线是通过不断移动分类器的“截断点”来生成曲线上的一组关键点的，通过下面的例子进一步来解释“截断点”的概念。​在二值分类问题中，模型的输出一般都是预测样本为正例的概率。假设测试集中有20个样本，表2.

一、编程规约(一)命名风格1.【强制】代码中的命名均不能以下划线或美元符号开始，也不能以下划线或美元符号结束。反例：_name/__name/$Object/name_/name$/Object$2.【强制】代码中的命名严禁使用拼音与英文混合的方式，更不允许直接使用中文的方式。说明：正确的英文

DBeaver中使用LightDB匿名块的注意事项DBeaver是一款开源的通用数据库管理工具，本文介绍DBeaver执行SQL时会遇到的坑。背景DBeaver是一款开源的通用数据库管理工具，LightDB官方推荐使用DBeaver作为图形化客户端工具，配置方法可参考这篇博客。很多同学对DBeaver不

在机器学习中，模型评估有很多不同的指标，具体的选择通常取决于你解决的问题的性质（例如分类、回归等）以及你关心的特定性能方面。以下是一些常见的模型评估指标：分类问题指标：在二分类问题中，"正类别"通常指的是模型预测为正例的类别。在一个二分类问题中，我们通常将其中一个类别标记为

业务日志打印规范参考文档Java开发手册https://github.com/alibaba/p3c内容【强制】应用中不可直接使用日志系统（Log4j、Logback）中的API，而应依赖使用日志框架（SLF4J、JCL--JakartaCommonsLogging）中的API，使用门面模式的日志框架，有利于维护和各个类的日志处理方式统一

任务：1、解决上次老师问的一些问题？（1）上次老师提到F1得分，再总结一下：混淆矩阵TP：预测正例，实际正例（预测对）FN：预测负例，实际正例（预测错）FP：预测正例，实际负例（预测错）TN：预测负例，实际负例（预测对）精确率=TP/(TP+FP)：预测为正例的那些数据里预测正确的数据个数（预测为正例的有多少预测对

✅作者简介：热爱科研的算法开发者，Python、Matlab项目可交流、沟通、学习。

1.常量&变量1.1.直接赋值常量值，禁止声明新对象直接赋值常量值，只是创建了一个对象引用，而这个对象引用指向常量值。反例：Longi=newLong(1L);Strings=newString("abc");正例：Longi=1L;Strings="abc";1.2.当成员变量值无需改变时，尽量定义为静态常量在类的每个对象实例中，

前端JS项目开发规范编程规约(一)命名规范1.1.1项目命名全部采用小写方式，以中划线分隔正例：mall-management-system反例：mall_management-system/mallManagementSystem1.1.2目录命名全部采用小写方式，以中划线分隔，有复数结构时，要采用复数命名法，缩写不用复数正例：scr

机器学习的结果要用不同于训练数据的测试数据进行评价，否则就没有意义针对训练数据的100%准确率是没有意义的……准确率粗略的评价对象是准确率，旨在评价数据中分类正确的样本数与样本总数之比混淆矩阵首先……简单起见，考虑二分类问题的评价方法。将符合设定的训练数据

目录疾病预测混淆矩阵基础指标准确率（Accuracy）精确率（Precision）召回率（Recall）精确率和召回率的关系综合指标F1分数（F1Score）P-R曲线平均精确率均值（AveragePrecision）ROC曲线AUC(ROC曲线下面积)对比P-R/AP和ROC/AUC疾病预测我们以疾病预测为例子来介绍分类的指标。疾病预测是一个

 前端代码规范规范的目的是为了编写高质量的代码，让你的团队成员每天得心情都是愉悦的，大家在一起是快乐的。引自《阿里规约》的开头片段：----现代软件架构的复杂性需要协同开发完成，如何高效地协同呢？无规矩不成方圆，无规范难以协同，比如，制订交通法规表面上是要限制行车权，实际上

前言准确度、精确率、召回率、F1值作为评估指标，经常用到分类效果的评测上。比较好理解的二分类问题，准确度评估预测正确的比例，精确率评估预测正例的查准率，召回率评估真实正例的查全率。如何把这些评估指标用到多分类上呢，比如有三个类别A、B、C，准确度好理解，只要关系是否预测正确即可

 摘要 提出SimCLR，用于视觉表征的对比学习，简化了最近提出的对比自监督学习算法，为了理解是什么使对比预测任务能够学习有用的表示，系统研究了提出框架的主要组成部分，发现：（1）数据增强的组成在定义有效的预测任务中起着关键的作用（2）在表示和对比损失之间引入一个可学习的非线性变换