[多分类]混淆矩阵
学习多分类任务的混淆矩阵计算,共有两种方式:
one VS rest
one VS one
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.
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