1. ROC曲线和PR(Precision-Recall)曲线的联系
2. ROC曲线、PR曲线
3. 精确率、召回率、F1 值、ROC、AUC 各自的优缺点是什么?
Bag-of-Words 1.文字問題 2. 什麼是Bag-of-Words(具體例子) 3. 侷限性 1.文字問題 文本建模的一個問題是它很雜亂,機器學習算法之類的技術更喜歡定義明確的
講解的很清楚: https://www.cnblogs.com/wangguchangqing/p/12021638.html
感知機的原理、以及學習方法,還是比較簡單的,參考: https://www.pkudodo.com/2018/11/18/1-4/ 但其中有2點關鍵,不是特別好理解: 1、關於點到平面的距離: 參考:https://www.jian
近期,抖音上一款 “變身漫畫” 的特效刷爆“我的關注”,二次元漫畫樣式的畫風更是讓大家欲罷不能。從明星到路人,從大朋友到小朋友紛紛參與其中,抖音 App 中“變身漫畫”話題頁顯示約有 1851 萬餘人使用該道具。 如今,此類視頻 / 圖片
FPN的創新點 多層特徵 特徵融合 解決了目標檢測中的多尺度問題,通過簡單的網絡連接改變,在基本不增加原有模型計算量的情況下,大幅度提升小物體(small object)的檢測性能。 在物體檢測裏面,有限計算量情況下,網絡的深
YOLOv5可以方便的進行工程化部署: YOLOv5(PyTorch)−>ONNX−>CoreML−>iosYOLOv5(PyTorch) -> ONNX -> CoreML -> iosYOLOv5(PyTorch)−>ONNX
摘要 通過分類問題中決策面的繪製過程直觀理解matplotlib中contour的用法,主要包括對 np.meshgrid 和plt.contour的直觀理解。 前言 分類問題中,我們習慣用2維的dmeo做例子,驗證算法的有效性。
本專欄計劃藉助Pandas與sklearn重新實現書中的實戰案例。 k-近鄰算法1. KNN算法流程2. KNN改進約會網站的配對效果2.1 數據準備:從文本中解析數據2.2 數據可視化:散點圖2.3 數據處理:歸一化數值2.4
延伸<[Excel]k-means聚類算法的應用,以評價現有供應商的水平為例。>文章,同時恰巧在圖書館看到一本R語言機器學習書籍,因此正好可進一步瞭解如何用R語言來實現k-means算法和應用,一併將k-means模組建立起來,做為未來參
1、python內置函數: 類型轉換 數學運算 常用 int() max() all() range() help() float() min() any() set() format() long() sum() type()
Github上黃博整理的吳恩達機器學習課程的資料,用xmind轉化成思維導圖,方便查看和記憶。 參考自:https://github.com/fengdu78/Coursera-ML-AndrewNg-Notes
在keras中有batch_dot函數,用於計算兩個多維矩陣,官方註釋如下: def batch_dot(x, y, axes=None): """Batchwise dot product. `batch_dot`
在實際工作中,你是否遇到過這樣一個問題或痛點:無論是通過哪種方式獲取的標註數據,數據標註質量可能不過關,存在一些錯誤?亦或者是數據標註的標準不統一、存在一些歧義?特別是badcase反饋回來,發現訓練集標註的居然和badcase一樣?如下
一:代碼框架和跑通simple faster rcnn遇到的問題 代碼選擇:https://github.com/chenyuntc/simple-faster-rcnn-pytorch; 本文主要是自己將代碼跑通中遇到的問題以及代碼解讀
最近在看機器學習實戰,記錄一些不寫代碼,真的很難發現的問題。 ID3代碼見github ID3的問題: 1、從信息增益的計算方法來看,信息增益無法直接處理連續取值的的屬性數據,只能處理離散型的數據。 2、信息增益的計算方法需要對某