大海

学习多分类任务的混淆矩阵计算，共有两种方式：

1. one VS rest
2. one VS one

\(F_{1} score\)可以解释为精确度和召回率的加权平均值，相当于精确率和召回率的综合评价指标

当前着重于二分类F1 score

准确率和精确率是常用的算法评价标准，但是其定义略有差别

2020年1月份OKR实现

在网上看到很多vloger都发布了自己的2019年小结，想想自己的2019年也发生了很多事情，记录一下

OKR（Objectives and Key Results，目标与关键结果）工作法是最近非常热门的管理和实践模型，在公司实习的时候接触了这个概念，后来回学校后就没有去深入研究。买了一本书《OKR工作法》进行学习，里面通过一个创业案例来说明OKR工作法的使用。从我个人观点来看，OKR的概念非常抽象，整个模型可以说很简单，不过确实能够通过实践它得到不一样的进步

以下内容更多的关注于个人的OKR学习和实践

之前实现了在Docker中运行Jenkins以及[Docker]GitLab使用，参考Docker Compose，通过docker-compose方式同时启动两个容器

PR曲线是另一种衡量算法性能的评价标准，其使用精确度（Precision, Y轴）和召回率（Recall, X轴）作为坐标系的基底

本文着重于二分类的PR曲线

参考一个例子：

Suppose a computer program for recognizing dogs in photographs identifies 8 dogs in a picture containing 12 dogs and some cats. Of the 8 identified as dogs, 5 actually are dogs (true positives), while the rest are cats (false positives). The program's precision is 5/8 while its recall is 5/12.

停止更新，使用知识图谱

从2019开始通过博客框架Hexo以及文档框架Sphinx/MkDocs进行文档整理，总结过去在书本以及实际编程中的知识和技能。随着文档的增多，如何有效、规范的整理越来越多的文档成了一个新的难题

偶然间看过一篇文章，里面采用金字塔的形式，按重要/难易程度分层排列不同的知识和技能。这种方式确实能够帮助理清学过的知识，同时能够更加明确未来学习的着重点。我将整个金字塔按重要/难易程度从上到下升序分为5层:

• 工具篇
• 实现篇
• 语言篇
• 理论篇
• 基础篇

ROC曲线（receiver operating characteristic curve，受试者工作特征曲线）是一个二维图，用于说明分类器在不同阈值下的分类能力

本文通过ROC曲线评价二元分类器