在使用标签制作软件制作标签时,我们需要根据标签纸的实际尺寸在标签软件中进行设置。因为只有将标签纸的实际尺寸跟标签软件中的纸张尺寸设置成一致的,才能打印到相应的纸张上。...例如常见的一行多列的标签该怎么设置呢?接下来就带大家学习下在标签制作软件中设置1行多列标签的方法: 1.打开标签制作软件,点击“新建”或者“文件-新建”,弹出文档设置对话框。...2.在文档设置-请选择打印机及纸张类型中,可以选择需要的打印机,纸张选择“自定义大小”宽度为标签尺寸加上边距及间距,高度为标签纸的高度。以下标签纸尺寸为自定义输入66*20。...点击下一步,根据标签纸的实际尺寸,设置一行多列的标签,这里以一行两列的标签为列。设置标签行数为1,列数为2。 点击下一步,设置页面边距,边距只需设置左右即可,标签纸的实际边距为1。...以上就是在标签制作软件中设置一行多列标签的方法,标签制作软件中的纸张尺寸要跟打印机首选项里面的纸张尺寸保持一致,如果打印机首选项里面没有所需的尺寸,可以点击新建,新建一个标签尺寸,这里就不演示了,具体的操作可以参考条码打印软件怎么自定义设置纸张尺寸
前面说过混淆矩阵是我们在处理分类问题时,很重要的指标,那么如何更好的把混淆矩阵给打印出来呢,直接做表或者是前端可视化,小编曾经就尝试过用前端(D5)做出来,然后截图,显得不那么好看。。...补充知识:混淆矩阵(Confusion matrix)的原理及使用(scikit-learn 和 tensorflow) 原理 在机器学习中, 混淆矩阵是一个误差矩阵, 常用来可视化地评估监督学习算法的性能...这个矩阵的每一行表示真实类中的实例, 而每一列表示预测类中的实例 (Tensorflow 和 scikit-learn 采用的实现方式)....也可以是, 每一行表示预测类中的实例, 而每一列表示真实类中的实例 (Confusion matrix From Wikipedia 中的定义)....使用混淆矩阵( scikit-learn 和 Tensorflow) 下面先介绍在 scikit-learn 和 tensorflow 中计算混淆矩阵的 API (Application Programming
好看是好看,可惜就是有点看不懂(装傻中) 那么本篇文章我们就来详细介绍一下什么是混淆矩阵,以及如何理解目标检测中的混淆矩阵。...什么是混淆矩阵 首先给出定义:在机器学习领域,特别是统计分类问题中,混淆矩阵(confusion matrix)是一种特定的表格布局,用于可视化算法的性能,矩阵的每一行代表实际的类别,而每一列代表预测的类别...它的行代表真实的类别,列代表预测的类别。以第一行为例,真正的类别标签是 0,从列方向的预测标签来看,有 8 个实例被预测为了 0,有 2 个实例被预测为了 1。...以 cat 这一行的结果为例:由于行方向代表真是标签,列方向代表预测的类别,因此就能够从这一行的数值中得到猫的正确检测率有 75%,而被误检为狗的概率有 12%。...从最后一列也能看出,有 4% 的猫存在漏检。 除了猫狗之间容易出现误识别,牛和马,公交车和轿车,沙发和椅子之间也都存在误识别。 如果我们单看混淆矩阵的最右边一列,就能够看出每个类别漏检的概率。
Scikit-Learn 中的数据表示 机器学习是从数据创建模型:因此,我们将首先讨论如何表示数据,以便计算机理解。 在 Scikit-Learn 中考虑数据的最佳方式就是数据表。...一般来说,我们将把矩阵行作为样本,将行数称为n_samples。 类似地,数据的每一列都是描述每个样本的特定的定量信息。 一般来说,我们将把矩阵的列称为特征,列数称为n_features。...中的使用,我们会从DataFrame提取特征矩阵和目标数组。...然而,这个单一的数字并没有告诉我们哪里不对 - 一个很好的方式是使用混淆矩阵,我们可以用 Scikit-Learn 和 Seaborn 进行计算: from sklearn.metrics import...获取模型特征的直觉的另一种方法,是用预测的标签再次绘制输入。
一般而言,由 sklearn 加载的数据集有着相似的字典结构,这包括: DESCR键描述数据集 data键存放一个数组,数组的一行表示一个实例,一列表示一个特征 target键存放一个标签数组 让我们看一下这些数组...这证明了为什么精度通常来说不是一个好的性能度量指标,特别是当你处理有偏差的数据集,比方说其中一些类比其他类频繁得多。 混淆矩阵 对分类器来说,一个好得多的性能评估指标是混淆矩阵。...大体思路是:输出类别A被分类成类别 B 的次数。举个例子,为了知道分类器将 5 误分为 3 的次数,你需要查看混淆矩阵的第五行第三列。...图3-2 混淆矩阵示意图 准确率与召回率 Scikit-Learn 提供了一些函数去计算分类器的指标,包括准确率和召回率。...现在你可以清楚看出分类器制造出来的各类误差。记住:行代表实际类别,列代表预测的类别。第 8、9 列相当亮,这告诉你许多图片被误分成数字 8 或者数字 9。
一般而言,由 sklearn 加载的数据集有着相似的字典结构,这包括: - DESCR键描述数据集 - data键存放一个数组,数组的一行表示一个样例,一列表示一个特征 - target键存放一个标签数组...这证明了为什么精度通常来说不是一个好的性能度量指标,特别是当你处理有偏差的数据集,比方说其中一些类比其他类频繁得多。 混淆矩阵 对分类器来说,一个好得多的性能评估指标是混淆矩阵。...大体思路是:输出类别A被分类成类别 B 的次数。举个例子,为了知道分类器将 5 误分为 3 的次数,你需要查看混淆矩阵的第五航第三列。...现在你可以清楚看出分类器制造出来的各类误差。记住:行代表实际类别,列代表预测的类别。第 8、9 列相当亮,这告诉你许多图片被误分成数字 8 或者数字 9。...注意到这个分类器的输出是多标签的(一个像素一个标签)和每个标签可以有多个值(像素强度取值范围从 0 到 255)。所以它是一个多输出分类系统的例子。 分类与回归之间的界限是模糊的,比如这个例子。
然后使用 Scikit-learn 工具的 K近邻算法构建 KNN 模型。最后对新闻分类的效果进行了简单的分析。...那么,训练集和测试集中,不同主题的新闻分布如何?我们可以借助 DataFrame 某列的 value_counts 方法完成统计。然后使用 plot 函数进行可视化显示。...Y_test = knn.predict(X_test) 6 新闻主题分类效果进行评估 下面使用混淆矩阵来分析模型在测试样本上的表现。...混淆矩阵从样本的真实标签和模型预测标签两个维度对测试集样本进行分组统计,然后以矩阵的形式展示。借助混淆矩阵可以很好地分析模型在每一类样本上的分类效果。...为了更直观地分析,我们借助 Python 中可视化包 seaborn 提供的 heatmap 函数,将混淆矩阵可视化。
看看从 0 到 9 的十类数字标签的个数,分布还蛮平均。 sns.countplot(y_test); 首先将 0-255 的像素值标准化到 0-1 之间。...混淆矩阵 在分类任务中,模型预测和标签总不是完全匹配,而混淆矩阵 (confusion matrix) 就是记录模型表现的 N×N 表格 (其中 N 为类别的数量),通常一个轴列出真实类别,另一个轴列出预测类别...首先用 predict_proba() 函数获取模型的预测正类负的概率,该模型有两列,第一列是预测负类的概率,第二列是预测正类的概率,我们需要第二列,因此在下面代码中,用 [:,1] 获取第二列作为 y_score...y_sub_train, prediction_high_recall) ) print( confusion_matrix(y_sub_train, prediction_high_recall) ) 从图中第三行看出查全率接近于...2.4 次级模型 核心内容来了,如何构建元特征(meta feature)和元标签(meta label)? 元特征:将高查全率的模型预测和原特征合并。
,这包括: DESCR 键描述数据集 data 键存放一个数组,数组的一行表示一个样例,一列表示一个特征 target 键存放一个标签数组 接下来,认真看看这些数组: x, y = mnist...这证明了为什么精度通常来说不是一个好的性能度量指标,特别是当你处理有偏差的数据集,比方说其中一些类比其他类频繁得多。 3.2、混淆矩阵 对分类器来说,一个好得多的性能评估指标是混淆矩阵。...大体思路是:输出类别A被分类成类别 B 的次数。举个例子,为了知道分类器将 5 误分为 3 的次数,你需要查看混淆矩阵的第五行第三列。 ...confusion_matrix print(confusion_matrix(y_train_5, y_train_pred)) 结果如下: [[53003 1576] [ 1025 4396]] 混淆矩阵中的每一行表示一个实际的类...一个完美的分类器将只有真反例和真正例,所以混淆矩阵的非零值仅在其主对角线(左上至右下)。 混淆矩阵可以提供很多信息。有时候你会想要更加简明的指标。
在本文中,我们将了解神经网络的工作方式以及如何使用 Python 编程语言和最新版本的 SciKit-Learn 来实现它们。.../stable/install.html)获取完整的详细信息。...,我们截取了部分列(实际数据有更多列): ?...In [26]: predictions = mlp.predict(X_test) 现在我们可以用 SciKit-Learn 自带的评价指标,如分类报告(classification report)和混淆矩阵...coefs_ 是权重矩阵的列表,其中索引 i 处的权重矩阵表示层 i 和层 i+1 之间的权重。 intercepts_ 是偏差向量的列表,其中索引 i 处的向量表示添加到层 i+1 的偏差值。
矩阵的每列表示在预测的类的实例,而每行代表一个实际的类的实例(或反之亦然)。名称源于它可以很容易判别事实的两类。它是一种特殊的列联表,有两个维度(“实际的”和“预测”)。...以一个二分类问题作为研究对象,图1的混淆矩阵显示了一个分类器可能会遭遇的所有情况,其中列(positive/negative)对应于实例实际所属的类别,行(true/false)表示分类的正确与否。...在预测分析中,混淆表(有时也称为混淆矩阵)报告假阳性,假阴性,真阳性和真阴性的数量。这比正确率具有更详细的分析。...svm(as.factor(助学金金额)~学院编号+成绩排名+ table(preds,traindata$助学金金额)#分类混淆矩阵 从预测结果来看,可以得到如下的混淆矩阵: 通过混淆矩阵,我们可以得到准确度...从结果来看,svm模型具有较好的预测结果。 对混淆矩阵进行可视化。 由于ROC曲线是在一定范围的真阳性(TP)和假阳性(FP)的错误率之间的权衡分类器性能的技术。
混淆矩阵 混淆矩阵的一般思想是计算类 A 的实例被分类为类 B 的次数,对于所有 A/B 对。例如,要知道分类器将 8 的图像误判为 0 的次数,您将查看混淆矩阵的第 8 行,第 0 列。...这个混淆矩阵看起来相当不错:大多数图像都在主对角线上,这意味着它们被正确分类了。请注意,对角线上的第 5 行和第 5 列的单元格看起来比其他数字稍暗。...混淆矩阵(左)和相同的通过行归一化的 CM(右) 图 3-10。仅显示错误的混淆矩阵,通过行归一化(左)和通过列归一化(右) 现在你可以更清楚地看到分类器所犯的错误类型。...也可以通过列而不是通过行对混淆矩阵进行归一化:如果设置normalize="pred",你会得到图 3-10 中右边的图表。例如,你可以看到 56%的错误分类的 7 实际上是 9。...分析混淆矩阵通常可以让你了解如何改进你的分类器。从这些图表中看,你的努力应该花在减少错误的 8 上。
今天我们将学习如何预处理数据,这是重要也最容易忽视的步骤之一,关键点如下: 预处理数据集有三步:清洗、转换和简化 深度学习可以自己从数据集中找到相关特征 PCA是常用的降维方法之一,可以通过Scikit-learn...将head函数中参数设置为5,可以显示数据的头5条记录。每一行都被排了序,每首歌都有一个id,每个标签的值为0或者1,代表这首歌是否有这个标签。 ?...通过info()函数来获取关于数据的更多信息,数据大小只有38MB。每个标签都有一个简单的二元取值,幸运的是每个字段也没有空值,可以直奔第二步:数据转换。...很多标签听上去很类似,例如女歌手,女声,可以将它们统一归为一个特征"女“。我们可以为数据中的同义词创建一个二维列表,然后将它们合并到只剩第一列。对于列表中的每一组同义词,将每一特征的最大值保留下来。...) 通过这个矩阵来对原来数据进行转换 许多入门教程在导入数据时只教如何导入预处理过的数据,例如手写体数字或者电影评分数据,用一行代码就能搞定,但实际操作没那么简单。
如:第一行,5+1=6,表示真实情况狗有6只. ③矩阵每一列数字求和的值,其含义:预测值中,预测为该列对应类别的数目!...解释:混淆矩阵对角元素全是预测正确的,数字的值表示各类别预测正确的数目;横(行)的数字求和,表示某类别真实值的个数,竖(列)的数字求和,表示模型预测为该类别的个数!...,还是图片像素点,其混淆矩阵的获取、评价指标公式的计算都是一样的!...因为我们求的是正例(Positive)的IoU,即:只用与P有关的混淆矩阵相关元素:TP、FP、FN,TN是与P无关,所以对于求正例的IoU无用! 如何找与P有关的混淆矩阵元素?...2的像素点被错误地预测为类别1; ②绿色表格的每一行求和得到的数字的含义是真实标签中属于某一类别的所有像素点数目,拿第一行为例,3+0+0=3,即真实属于类别0的像素点一共3个; ③绿色表格的每一列求和得到的数字的含义是预测为某一类别的所有像素点数目
从本质上讲,PyCaret 是 Python 的包装器,它围绕着多个机器学习库和框架,例如scikit-learn,XGBoost,LightGBM,spaCy,Hyperopt,Ray等。...,我们也不需要总费用,删除这两列: df.drop(['customerID','TotalCharges'], axis=1, inplace=True) 让我们从导入 PyCaret 的模块开始...plot_model(logreg, plot='auc') 这是一个 ROC 曲线,它通过合并所有阈值的混淆矩阵来汇总模型在不同阈值下的性能。...除了在测试集上的评估指标外,还返回包含两个新列的数据帧:predict_model 标签:预测 成绩:预测概率 默认情况下,在测试集上进行预测,当然我们也可以用自己指定的数据来预测。...结论 我们已完成了整个机器学习的过程,从创建到完成大约使用了 10 行代码。正如前面所说,PyCaret 的确是一个低代码库。
最后把结果打印出来看看: 分类模型的运行效果如何?有线性回归的度量方法在这里不太适用了。我们感兴趣的是分类是否正确,并不在乎它的决策范围。下面,我们来介绍二元分类的效果评估方法。...混淆矩阵(Confusion matrix),也称列联表分析(Contingency table)可以用来描述真假与阴阳的关系。矩阵的行表示实际类型,列表示预测类型。...其原理就是选取可能的参数不断运行模型获取最佳效果。网格搜索用的是穷举法,其缺点在于即使每个超参数的取值范围都很小,计算量也是巨大的。...Phrase列是影评的内容。影评中每句话都被分割成一行。我们不需要考虑PhraseId列和SentenceId列。 可以看出,近51%都是评价为2中等(neutral)的电影。...用scikit-learn来训练分类器: 多类分类效果评估 二元分类里,混淆矩阵可以用来可视化不同分类错误的数据。
混淆矩阵(Confusion Matrix)是机器学习中用来总结分类模型预测结果的一个分析表,是模式识别领域中的一种常用的表达形式。...它以矩阵的形式描绘样本数据的真实属性和分类预测结果类型之间的关系,是用来评价分类器性能的一种常用方法。 我们可以通过一个简单的例子来直观理解混淆矩阵。...,数轴的标签表示真实属性,而横轴的标签表示分类的预测结果。...此矩阵的第一行第一列这个数字2表示ant被成功分类成为ant的样本数目,第三行第一列的数字1表示cat被分类成ant的样本数目,诸如此类。...混淆矩阵的每一行数据之和代表该类别的真实的数目,每一列之和代表该类别的预测的数目,矩阵的对角线上的数值代表被正确预测的样本数目。 那么这个混淆矩阵是如何绘制的呢?
然后,详细解释TSNE如何实现以及如何在cuML中对其进行优化,使其能在GPU上运行。 TSNE的应用 TSNE与传统的监督方法(例如线性回归和决策树)形成对比,因为它不需要标签。...RAPIDS cuML Speed-Up over Scikit-Learn 许多数据科学家从scikit-learn流行的TSNE实现开始。...COO布局不包括有关每一行的开始或结束位置的信息。 包含此信息使我们可以并行化查找,并在对称化步骤中快速求和转置后的值。 RowPointer的想法来自CSR(压缩稀疏行)稀疏矩阵布局。...给定点(0,7)的值为10,对行指针进行索引以获取该点的行索引,并将其存储。然后,翻转至(7,0),访问行指针,并将其与第一个指针并行存储。...这样可以将乘法和地址的数量,从原来的9个减少到大约4个,并使此计算速度提高50%。 优化4-逐行广播 ? 图9.计算公共值并将其分布在每一行!
df.head() 前5行内容如下: ? 看看数据框整体的形状是怎么样的: df.shape (2000, 2) 我们的数据一共2000行,2列。完整读入。 我们并不准备把情感分析的结果分成4个类别。...从前5行看来,情感取值就是根据我们设定的规则,从评星数量转化而来。 下面我们把特征和标签拆开。 X = df[['comment']] y = df.sentiment X 是我们的全部特征。...没错,模型面对没有见到的数据,居然有如此高的情感分类准确性。 对于分类问题,光看准确率有些不全面,咱们来看看混淆矩阵。...下面这张图(来自 https://goo.gl/5cYGZd )应该能让你更为清晰理解混淆矩阵的含义: ? 写到这儿,你大概能明白咱们模型的性能了。...我们再来看看混淆矩阵。
领取专属 10元无门槛券
手把手带您无忧上云