PyTorch入门 2 —— 张量数值运算基本运算点积运算 / 矩阵乘法比较运算逻辑运算初等函数运算统计运算指定运算设备 在神经网络中都会根据需要进行各种向量、矩阵的运算，使用 PyTorch 可以很方便地使用各种函数方法完成计算需求。在 PyTorch 中，计算的数据都是以张量形式存在，PyTorch 为每个张量封装很多实用的计算函数，并且既可以在 CPU 中运算也可以在 GPU 中运算。本篇
转载
2023-11-25 11:24:21
105阅读
AUC（Area under curve）是机器学习常用的二分类评测手段，直接含义是ROC曲线下的面积。另一种解释是：随机抽出一对样本（一个正样本，一个负样本），然后用训练得到的分类器来对这两个样本进行预测，预测得到正样本的概率大于负样本概率的概率。
在有M个正样本,N个负样本的数据集里，利用公式求解：\[AUC=\frac{\sum_{i \in positiveClass} rank_i-\f
转载
2023-05-30 19:13:48
133阅读
1.什么是AUC？AUC（are under curve)是一个模型的评价指标，用于分类任务。 那么这个指标代表什么呢？这个指标想表达的含义，简单来说其实就是随机抽出一对样本（一个正样本，一个负样本），然后用训练得到的分类器来对这两个样本进行预测，预测得到正样本的概率大于负样本概率的概率。2.如何计算AUC？方法一在有M个正样本,N个负样本的数据集里。一共有MN对样本（一对样本即，一个正样本与一个
AUC（Area under curve）是机器学习常用的二分类评测手段，直接含义是ROC曲线下的面积, 对于二分类模型，还有很多其他评价指标，比如 logloss，accuracy，precision。如果你经常关注数据挖掘比赛，比如 kaggle，那你会发现 AUC 和 logloss 基本是最常见的模型评价指标。 从AUC 判断分类器（预测模型）优劣的标准：A
转载
2023-07-04 12:35:28
217阅读
目录Python和ML基础前言1.闭包1.1 基本概念1.2 作业2.sqrt(2)2.1 传统方法2.2 梯度下降法2.3 牛顿法3.拓展3.1 常用函数的导数3.2 链式法则3.3 作业总结 Python和ML基础前言手写AI推出的全新保姆级从零手写自动驾驶CV课程，。记录下个人学习笔记，仅供自己参考。 本次课程主要学习闭包(即返回函数的函数)、导数的相关概念以及利用导数求解sqrt(2)
ROC 、AUC ROC曲线是评价学习器泛化能力的指标，他纵轴是“真正例率”（TPR），横轴是“假正例率”（FPR），需要FPR越小，TPR越高，则模型越好 TPR = TP / (TP + FN) 可以理解为模型对正例的灵敏度 FPR = FP / (TN + FP) 可以理解为模型对负例的特异度 ...
转载
2021-08-19 22:35:00
559阅读
2评论
假设我们开始import numpy as npfrom sklearn import metrics现在我们设置真实的y和预测分数：y = np.array([0, 0, 1, 1])scores = np.array([0.1, 0.4, 0.35, 0.8])(注意,y已经从你的问题向下移了1.这是无关紧要的：无论是预测1,2或0,1都可以获得完全相同的结果(fpr,tpr,阈值等),但是一
转载
2023-08-25 02:22:47
132阅读
AUC计算 1. 根据定义Aera Under Curve，计算面积。样本有限，所以得到的AUC曲线一般是个阶梯状，所以计算这些阶梯的面积即可。先按score排个序，然后从头遍历一遍，把每个score作为划分阈值，可以得到对应的TPR和FPR，计算出底下的面积。更直观的计算方法，参考《百面机器学习》：这种直接计算面积的方法比较麻烦，一般使用下面的等价方法进行计算。2. AUC
转载
2024-01-03 16:45:05
22阅读
#利用下列函数方便实现自动化操作
import os
import pyperclip
import pyautogui
from keyboard import is_pressed
from time import sleep
import cv2
def accRecog(recogImgPath, do=pyautogui.click, method=cv2.TM_CCOEFF_NORM
转载
2023-09-22 14:05:47
0阅读
摘要：本篇文章主要讲解Python调用OpenCV实现图像阈值化处理操作，包括二进制阈值化、反二进制阈值化、截断阈值化、反阈值化为0、阈值化为0。
一. 阈值化（注：该部分参考作者的论文《基于苗族服饰的图像锐化和边缘提取技术研究》）图像的二值化或阈值化（Binarization）旨在提取图像中的目标物体，将背景以及噪声区分开来。通常会设定一个阈值T，通过T将图像的像素划分为两类：大于T的像
转载
2023-10-13 12:51:23
66阅读
auc介绍：AUC即ROC曲线下的面积，假设是一个二分类的问题，我们如果使用逻辑回归，需要设定一个阈值做分类，AUC的计算方法同时考虑了分类器对于正例和负例的分类能力，在样本不平衡的情况下，依然能够对分类器作出合理的评价roc曲线的横坐标和纵坐标分别是True Positive Rate（真阳率）、False Positive（伪阳率）；TPRate的意义是所有真实类别为1的样本中，预测类别为1的
转载
2023-08-11 22:52:56
418阅读
干货auc的计算有两种计算方式：
第一种：适合口算，特殊说明：一组正负样本得分相同则分子给0.5即可，多组相同乘以组数即可第二种：大多数书上给的计算公式，相较第一种不太适合口算。另外还有绘制ROC曲线，再算area-under-curve的方式，通用方式积分求面积tf.metrics.auc常用的auc计算方式有两种
一种是tensorflow的tf.metrics.auc函数一种是s
转载
2023-08-30 08:40:35
112阅读
由于ROC曲线面积比较难求得，所以判断模型好坏一般使用AUC曲线 关于AUC曲线的绘制，西瓜书上写得比较学术，不太能理解，假设有这么一个样本集：假设预测样本为20个，预测为正类的概率已经进行了排序，得分递减，画图步骤为：(1) 在所排序的样本最左边，画一条线即 无 | 1 2 3 4 5 …，线左边的认为是正类，右边认为是负类，可以算出，TP(实际为正，预测为正)=0，FN(
转载
2023-07-19 20:42:58
262阅读
可变参数在Python函数中，还可以定义可变参数。顾名思义，可变参数就是传入的参数个数是可变的。我们以数学题为例子，给定一组数字a，b，c……，请计算a2 + b2 + c2 + ……。要定义出这个函数，我们必须确定输入的参数。由于参数个数不确定，我们首先想到可以把a，b，c……作为一个list或tuple传进来，这样，函数可以定义如下：def calc(numbers):
sum = 0
for
参考：机器学习中的评估指标
原创
2022-07-18 11:00:55
387阅读
最近计算了搜索排序的auc指标，记录一下~AUC很大一个好处是其对正负样本比例不敏感AUC：一个正例，一个负例，预测正样本为正的概率值比预概率就是AUC值。比较而言，第二个定义更好理解一些。具体算法看下知乎的答案吧如何理解机器学习和统计中的AUC？简单理解计算方式：将M+N个样本
原创
2022-12-02 16:10:20
150阅读
说在前面的话位姿估计（Pose estimation）在计算机视觉领域扮演着十分重要的角色。在使用视觉传感器估计机器人位姿进行控制、机器人导航、增强现实以及其它方面都有着极大的应用。位姿估计这一过程的基础是找到现实世界和图像投影之间的对应点。然后根据这些点对的类型，如2D-2D, 2D-3D, 3D-3D，采取相应的位姿估计方法。当然同一类型的点对也有基于代数和非线性优化的方法之分，如直接线性变（
转载
2024-02-21 13:42:39
199阅读
前言ROC(Receiver Operating Characteristic)曲线和AUC常被用来评价一个二值分类器(binary classifier)的优劣。这篇文章将先简单的介绍ROC和AUC，而后用实例演示如何python作出ROC曲线图以及计算AUC。AUC介绍AUC(Area Under Curve)是机器学习二分类模型中非常常用的评估指标，相比于F1-Score对项目的不平衡有更大
转载
2023-09-26 17:21:49
69阅读
AUC（Area under curve）是机器学习常用的二分类评测手段，直接含义是ROC曲线下的面积，如下图： 要理解这张图的含义，得先理解下面这个表： 表中列代表预测分类，行代表实际分类： 实际1，预测1：真正类（tp） 实际1，预测0：假负类（fn） 实际0，预测1：假正类（fp） 实际0，预测0：真负类（tn） 真实负样本总数=n=fp+tn 真实正样本总数=p=tp+fn
转载
2023-08-30 09:22:42
215阅读
ROC（Receiver Operating Characteristic）曲线和AUC常被用来评价一个二值分类器（binary classifier）的优劣
转载
2018-10-08 22:19:10
1882阅读
