标签: classification

有没有办法在使用张量流进行多类分类时获得每类精度或召回.

例如,如果我有每个批次的y_true和y_pred,如果我有超过2个类,是否有一种功能性的方法来获得精度或每个类的回忆.

你能举一个在matlab中使用支持向量机(SVM)对4个类进行分类的例子:

atribute_1  atribute_2 atribute_3 atribute_4 class
1           2          3           4             0
1           2          3           5             0
0           2          6           4             1
0           3          3           8             1
7           2          6           4             2
9           1          7           10            3

在AI和ML中处理2个项目时,我想到了这个问题.如果我正在构建模型(例如,分类神经网络,K-NN等等),该模型使用包含随机性的一些功能.如果我不修复种子,那么每次在相同的训练数据上运行算法时,我都会得到不同的精度结果.但是,如果我修复它,那么其他一些设置可能会提供更好的结果.

平均一组精度足以说明这个模型的准确度是xx%吗？

我不确定这是否是提出这样一个问题的正确场所/开放这样的讨论.

在大多数分类(例如逻辑/线性回归)中,偏差项在正则化时被忽略.如果我们不规范偏见项,我们会得到更好的分类吗？

我想在MATLAB中的一对一 支持向量机分类中进行10倍交叉验证.

我试图以某种方式混合这两个相关的答案:

• libsvm中的多类分类
• MATLAB中10倍SVM分类的示例

但是因为我是MATLAB及其语法的新手,所以到目前为止我还没有成功.

另一方面,我在LibSVM README文件中看到了以下几行关于交叉验证的内容,我在那里找不到任何相关示例:

选项-v随机将数据分成n个部分,并计算它们的交叉验证准确度/均方误差.

有关输出的含义,请参阅libsvm FAQ.

有人能给我一个10倍交叉验证和一对一分类的例子吗？

我有一套训练集,我想根据我的训练集使用分类方法对其他文件进行分类.我的文件类型是新闻,类别是体育,政治,经济等.

我完全理解天真的贝叶斯和KNN,但SVM和决策树是模糊的,我不知道我是否可以自己实现这个方法？或者有使用这种方法的应用程序？

我可以用这种方式对文档进行分类的最佳方法是什么？

谢谢!

我正在使用Keras(使用Tensorflow后端)进行二进制分类,我有大约76%的精度和70%的召回率.现在我想尝试使用决策阈值.据我所知,Keras使用决策阈值0.5.有没有办法Keras使用自定义阈值来决策精度和召回？

感谢您的时间!

我目前正在研究 ML 分类问题，我正在使用sklearn库的以下导入和相应的代码计算 Precision、Recall 和 F1 ，如下所示。

from sklearn.metrics import precision_recall_fscore_support

print(precision_recall_fscore_support(y_test, prob_pos, average='weighted'))

结果

0.8806451612903226, 0.8806451612903226, 0.8806451612903226

对于 ML 分类问题，是否有可能获得所有 3 个相同的值，即精度、召回率和 F1？

在这方面的任何澄清将不胜感激。

我使用 Keras 创建了一个简单的二元分类模型。代码是：

    # create model
    model = Sequential()
    model.add(Dense(250, input_dim=1, activation='relu'))
    model.add(Dense(1, activation='sigmoid'))
    # Compile model
    model.compile(loss='binary_crossentropy', optimizer='adam', metrics=['accuracy', 'binary_accuracy'])

我的目的是检查结果accuracy并binary_accuracy了解它们之间的区别。

正如 Keras 所说，binary_accuracy准确度有默认阈值.5，而“准确度”则没有。当我用样本数据测试它们时，结果是不同的，但在模型训练中，每个时期都有相同的结果。

对于这个真实的和预测的样本，我测试了accuracy并且binary_accuracy：

   y_true = [[1], [1], [0], [0]]
   y_pred = [[0.51], [1], [0], [0.4]]

对于 binary_accuracy是：

m = tf.keras.metrics.BinaryAccuracy()
m.update_state(y_true, y_pred)
m.result().numpy()

结果是： 1

对于 accuracy是：

m = tf.keras.metrics.Accuracy()
m.update_state(y_true, y_pred)
m.result().numpy()

结果是：'.5'

但在上面的模型中，每个时期的每个人都是相同的。

编辑

通过将编译更改为这样，结果发生了变化：

model.compile(loss='binary_crossentropy', optimizer='adam', metrics=['accuracy', tf.keras.metrics.BinaryAccuracy(threshold=.7)])

为什么在模型内accuracy …

RepeatedStratifiedKFold我尝试阅读和的文档StratifiedKFold，但无法区分这两种方法之间的区别，除了在每次重复中以不同的随机化RepeatedStratifiedKFold重复StratifiedKFold n次。

我的问题是：这两种方法返回的结果相同吗？在执行操作时我应该使用哪一种方法来分割不平衡的GridSearchCV数据集？选择该方法的理由是什么？