原文链接:https://blog.csdn.net/weixin_42518879/article/details/83959319 主要内容:机器学习中常见的几种评价指标,它们各自的含义和计算(注意本文针对二元分类器!) 1.混淆矩阵 True Positive(真正,TP):将正类预测为正类的数目 True Negative(真负, TN):将负类预测为负类的数目 False Positive(假正,FP):将负类预测为正类的数目(Type I error) False Negative(

============================================================== This aritcle came from here ==================================================================== http://blog.sina.com.cn/s/blog_4b59de070100ehl7.html 最近一直在做相关推荐方面的研究与应用工作,召回率与准确率这两个概念偶尔会遇

摘要: 利用软件中的历史缺陷数据来建立分类器,进行软件缺陷的检测. 多核学习(Multiple kernel learning):把历史缺陷数据映射到高维特征空间,使得数据能够更好地表达: 集成学习(ensemble learning):使用一系列的分类器来减少由主类带来的分类误差,使具有更好的检测结果. 本文采用集成学习的方法构建一个多核分类器,集多核学习和集成学习的优点,提出方法: propose a multiple kernel ensemble learning (MKEL) appr

scikit-learn: machine learning in Python — scikit-learn 0.20.0 documentation https://scikit-learn.org/stable/index.html Simple and efficient tools for data mining and data analysis Accessible to everybody, and reusable in various contexts Built on Nu

Spatial As Deep: Spatial CNN for Traffic Scene Understanding 收录:AAAI2018 (AAAI Conference on Artificial Intelligence) 原文地址:SCNN 论文提出了一个新颖网络Spatial CNN,在图片的行和列上做信息传递.可以有效的识别强先验结构的目标.论文提出了一个大型的车道检测数据集,用于进一步推动自动驾驶发展. 代码: 官方-torch Abstract 现今的CNN模型通常是由卷积

实验十二  图形程序设计 实验时间 2018-11-14 1.实验目的与要求 (1) 掌握Java GUI中框架创建及属性设置中常用类的API: 创建空框架 . 在Java中,常采用框架(Frame)创建初始界面,即GUI的顶层窗口 . AWT库中有一个基于对等体的Frame类.. 该类的Swing版本为JFrame,JFrame是Frame子类. 框架定位与框架属性定位: 常用Component类的setLocation和setBounds方法常用属性 Title:框架标题 IconImage

第一部分:理论知识学习部分 用户界面:用户与计算机系统(各种程序)交互的接口 图形用户界面:以图形方式呈现的用户界面 AET:Java 的抽象窗口工具箱包含在java.awt包中,它提供了许多用来设计GUI的组件类和容器类. Swing:用户界面库是非基于对等体的GUI工具箱,具有更丰富并且更方便的用户界面元素集合. Swing组件层次关系: 大部分AWT组件都有其Swing的等价组件. 组件:构成图形用户界面的元素,拿来即用.通常把由Component类的子类或间接子类创建的对象称为一个组件.

一.理论与知识学习部分 Java的抽象窗口工具箱(Abstract Window Toolkit, AWT)包含在java.awt包中,它提供了许多用来设计GUI的组件类和容器类. 大部分AWT组件都有其Swing的等价组件,Swing组件的名字一般是在AWT组件名前面添加一个字母“J”. 通常把由Component类的子类或间接子类创建的对象称为一个组件. 组件类的常用API: boolean isVisible() 检查组件是否可见 void setVisible(boolean b) 设置

实验十二  图形程序设计 实验时间 2018-11-14 1.实验目的与要求 (1) 掌握Java GUI中框架创建及属性设置中常用类的API: (2) 掌握Java GUI中2D图形绘制常用类的API: (3) 了解Java GUI中2D图形中字体与颜色的设置方法: (4) 了解Java GUI中2D图像的载入方法. 2.实验内容和步骤 实验1: 导入第10章示例程序,测试程序并进行代码注释. 测试程序1: l 运行下列程序,观察程序运行结果. import javax.swing.*; pu

文章摘自github,本次测试选用 HanLP 1.6.0 , LTP 3.4.0 测试思路 使用同一份语料训练两个分词库,同一份测试数据测试两个分词库的性能. 语料库选取1998年01月的人民日报语料库.199801人民日报语料 该词库带有词性标注,为了遵循LTP的训练数据集格式,需要处理掉词性标注. 测试数据选择SIGHan2005提供的开放测试集. SIGHan2005的使用可以参见其附带的readme. HanLP java -cp libs/hanlp-1.6.0.jar com.ha

1.实验目的与要求 (1) 掌握Java GUI中框架创建及属性设置中常用类的API: (2) 掌握Java GUI中2D图形绘制常用类的API: (3) 了解Java GUI中2D图形中字体与颜色的设置方法: (4) 了解Java GUI中2D图像的载入方法. 2.实验内容和步骤 实验1: 导入第10章示例程序,测试程序并进行代码注释. 测试程序1: l  运行下列程序,观察程序运行结果. import javax.swing.*; public class SimpleFrameTest {

第十二周学习总结 第一部分:理论知识 内容概要: AWT与Swing简介:框架的创建:图形程序设计: 显示图像: 1.AWT组件: 2.Swing 组件层次关系 3 .AWT与Swing的关系:大部分AWT组件都有其Swing的等价组件; Swing组件的名字一般是在AWT组件名前面添加一个字母“J”,如:JButton,JFrame,JPanel等. 4.组件:通常把由Component类的子类或间接子类创建的对象称为一个组件. 例:Button button = new Button();T

第九次Scrum  meeting 任务及完成度: 成员 12.31 1.1 陈谋 任务1040:完成stackoverflow的数据处理后的json处理(99%) 任务1114-1:完成对网页数据的处理和整合(100%) 任务1114-2:完成对pdf.ppt数据的处理和整合(50%) 由于最近一段时间比较忙,所以对于交流方面不是很畅通. 对于ppt的处理遇到了一定的麻烦,但是在后面的处理中应该可以比较快地解决这个问题 卢惠明 任务1042-2:测试关键词的正确率.召回率和F值(100%) 任

第六次Scrum  meeting 任务及完成度: 成员 12.21 12.22 陈谋 任务1040:完成stackoverflow的数据处理后的json处理(98%) 任务1114-1:完成对网页数据的处理和整合(60%) 任务1114-2:完成对pdf.ppt数据的处理和整合 在对在线组后台添加数据的时候会发现数据添加成功,但是query的时候却找不到的问题 所以还需要与在线组进行沟通交流,以确定最终的格式规范 任务1114-3:完成对doc(x)数据的处理和整合 卢惠明 任务1042-1:

https://www.weixin765.com/doc/gmlxlfqf.html 在对不平衡的分类数据集进行建模时,机器学**算法可能并不稳定,其预测结果甚至可能是有偏的,而预测精度此时也变得带有误导性那么,这种结果是为何发生的呢?到底是什么因素影响了这些算法的表现? 在不平衡的数据中,任一算法都没法从样本量少的类中获取足够的信息来进行精确预测因此,机器学**算法常常被要求应用在平衡数据集上那我们该如何处理不平衡数据集?本文会介绍一些相关方法,它们并不复杂只是技巧性比较强 本文会介绍处理非

常见指标 precision 预测出的所有目标中正确的比例 (true positives / true positives + false positives). recall 被正确定位识别的目标占总的目标数量的比例(true positives/(true positives + true negatives)). 一般情况下模型不够理想,准确率高.召回率低,或者召回率低.准确率高.如果做疾病监测.反垃圾,则是保准确率的条件下,提升召回率.如果是做搜索,那就是保证召回的情况下提升准确率.1

http://blog.csdn.net/guixunlong/article/details/8925990 从头开始编写基于隐含马尔可夫模型HMM的中文分词器之一 - 资源篇 首先感谢52nlp的系列博文(http://www.52nlp.cn/),提供了自然语言处理的系列学习文章,让我学习到了如何实现一个基于隐含马尔可夫模型HMM的中文分词器. 在编写一个中文分词器前,第一步是需要找到一些基础的词典库等资源,用以训练模型参数,并进行后续的结果评测,这里直接转述52nlp介绍的“中文分词入门

Precision & Recall 先看下面这张图来理解了,后面再具体分析.下面用P代表Precision,R代表Recall 通俗的讲,Precision 就是检索出来的条目中(比如网页)有多少是准确的,Recall就是所有准确的条目有多少被检索出来了. 下面这张图介绍True Positive,False Negative等常见的概念,P和R也往往和它们联系起来. 我们当然希望检索的结果P越高越好,R也越高越好,但事实上这两者在某些情况下是矛盾的.比如极端情况下,我们只搜出了一个结果,且是

工具包:https://taku910.github.io/crfpp/#tips 语料:http://sighan.cs.uchicago.edu/bakeoff2005/ 安装: 1)下载linux版本CRF++包-----CRF++-0.58.tar.gz,并解压. 2)cd CRF++-0.58 3)./configure 4)sudo make 5)sudo make install 若出现ImportError: libcrfpp.so.0: cannot open shared o

一.实验评估参数 实验数据本身可以分为是否属于某一个类(即correct和not correct),表示本身是否属于某一类别上,这是客观事实:又可以按照我们系统的输出是否属于某一个类(即selected和not selected),表示是否分到某一类别,这是实验输出. 以垃圾邮件为例: tp:表示系统认为它是垃圾邮件,而确实它是垃圾邮件,所以为true positive fn:表示系统不认为它是垃圾邮件,但它其实是垃圾邮件,所以为false negative fp:表示系统认为是,其实不是,所以

Graphics2D ,Graphics 类,提供了对几何形状.坐标转换.颜色管理和文本布局更为复杂的控制.它是用于在 Java(tm) 平台上呈现二维形状.文本和图像的基础类.验证码生成可以用到此类. public abstract class Graphics2D extends Graphics 此 Graphics2D 类扩展了 Graphics 类,提供了对几何形状.坐标转换.颜色管理和文本布局更为复杂的控制. 创建 Graphics2D 对象时,GraphicsConfigurati