机器学习

macro F1,micro F1以及 weighted F1的区别
机器学习

macro F1,micro F1以及 weighted F1的区别

39 0

对于多分类问题,sklearn中的f1_score评价函数的average有三个参数:‘macro’,‘micro’和‘weighted’,下面我们来说一下这三种F1的区别。weighted F1分别计算每个类别的F1值,然后与对应类别标签...

CNN经典网络可视化网站
机器学习

CNN经典网络可视化网站

78 0

https://dgschwend.github.io/netscope/quickstart.html这个网站几乎包含了所有的CNN经典结构如Alexnet,Googlenet,VGGnet等的可视化图,还有各种网络的细节描述,对于深入学...

神经网络batch_size调参
机器学习

神经网络batch_size调参

91 1

batch_size 是神经网络训练的一个重要参数,batch_size最大时就是整个训练集的大小,这时使用整个训练集进行Gradient decent,但这样非常容易对训练集过拟合,最好的办法是使用mini_batch gradient...

lightgbm设置两个metric
机器学习

lightgbm设置两个metric

114 0

lightgbm可以自己创建metric函数,然后在train的时候赋值个feval即可。当我们使用两个metric时,一个是默认的,另一个是自己创建的,如果你设置早停的话,则当其中一个metric达到早停条件即会停止。结论:最好设置一个m...

使用k折交叉验证的原因
机器学习

使用k折交叉验证的原因

75 0

可以充分利用训练数据,k折交叉验证让所有的训练数据都参与到训练和测试中了。因为我们使用大部分数据进行拟合,这大大减少了偏差;因为大多数数据也用于验证集,所以还显著减少了方差。可以从中得到更多metric信息,k折交叉验证就会得到k个交叉验证...

SMOTEboost算法
机器学习

SMOTEboost算法

94 0

SMOTEboost算法是一种针对不平衡分类问题的算法。SMOTEboost结合了SMOTE和boosting,它希望利用SMOTE来增加对少数类样本的预测性能,利用boosting来提高整体精度。它的算法流程如下:训练数据集D={(x1,...