首页 > TAG信息列表 > 负类
目标检测的准确率(accuracy),精确率(precision),召回率(recall)
脑子笨，总是搞混这几个概念，然后每次都要重新理解别人写的，还是很绕，这样写下次应该就能很快明白了，哈哈 一、 准确率(accuracy),精确率(precision),召回率(recall) TP : 将正类预测为正类数 (预测正确) （正类） FN: 将正类预测为负类数（预测错误）（正类） FP: 将负类预测为正类数（预测错误）（Self-Supervised Learning
Self-Supervised Learning 参考知乎文章：https://zhuanlan.zhihu.com/p/108906502（Self-supervised Learning 再次入门） 自监督学习主要是利用辅助任务（pretext）从大规模的无监督数据中挖掘自身的监督信息，通过这种构造的监督信息对网络进行训练，从而可以学习到对下游任务有价值的表征。统计学习方法自学笔记（这章属于绪论有点杂乱，后续补）
一、分类 基本分类： 监督学习：从标注数据中学习预测模型的机器学习问题。换句话说，就是使用训练数据集训练好一个模型，再使用该模型对测试样本进行预测，训练集是已知的。由学习系统和预测系统两部分组成。（样本有标签） 无监督学习：从无标注数据中学习预测模型的机器学习问题。本质是学习金融风控数据挖掘—Task1
一、学习知识点概要 了解数据概况，学习金融风控中常见的分类算法评估指标和预测类评估指标。 二、学习内容 1、不同数据列的性质特征 2、分类算法的常见评估指标 ①混淆矩阵 若一个实例是正类，并且被预测为正类，即为真正类TP若一个实例是正类，但是被预测为负类，即为假负类FN若一个准确率、精确率、召回率、F-Score
TP-将正类预测为正类 FN-将正类预测为负类 FP-将负类预测位正类 TN-将负类预测位负类 1）正确率/准确率（accuracy） 正确率是我们最常见的评价指标，accuracy = （TP+TN）/(P+N)，这个很容易理解，就是被分对的样本数除以所有的样本数，通常来说，正确率越高，分类器越好； 2）错误率（error rat准确率、精确率、召回率、F1值、ROC/AU
对于二分类问题，机器预测的和实际的还是会有所偏差，所以我们引入以下几个概念来评价分类器的优良。 一、TP、TN、FP、FN概念 首先有关TP、TN、FP、FN的概念。大体来看，TP与TN都是分对了情况，TP是正类，TN是负类。则推断出，FP是把错的分成了对的，而FN则是把对的分成了错的。（我的记忆整理分类评价指标【TPR、TNR、pre、F1、混淆矩阵】
特异度（specificity）与灵敏度（sensitivity） https://www.jianshu.com/p/7919ef304b19 查全率（Recall），查准率（Precision），灵敏性（Sensitivity），特异性（Specificity），F1，PR曲线，ROC，AUC的应用场景 https://www.e-learn.cn/content/qita/2520407 （具体其他指标见网址，这里直拿出recall，pre，sen，sp干货|感知机更新算法正确性的直观理解
这里我们就用一个例子，本来该点应该分为正类，错分为负类，进行更新后，直观上算法的正确性判断。 首先当我们感知机算法更新到某一点的时候，假如原来A点的正确类别是正类，y=1，算法将它判断为负类,判断为-1，如下所示：我们能够看到此时更新到了左下角的红色正方框，此时是将它分错了，假设它为正类y=