例如，我训练了一个贝叶斯(支持向量机，RandomForest或其他)模型，得分低于： precision recall f1-score supportpos 0.9986 0.7890 0.8815 12647
我的老板告诉我，neg的准确率太低了，他可以接受60%的召回率</em
浏览 6提问于2017-06-29得票数 0
有没有办法对参数值运行网格搜索，这些参数值针对选定类的分数(例如'f1')进行了优化，而不是所有类的默认分数？编辑的假设是，这样的网格搜索应该返回一组参数，使所选类别的分数最大化(例如，'f1'，‘准确性’，‘召回’)，而不是所有类别的总分数。这样的方法似乎很有用，例如对于高度不平衡的数据集，当试图构建一个在具有少量实例的类
浏览 0提问于2015-07-30得票数 9
然而，我更喜欢假否定而不是假阳性，也就是说，我更喜欢说一个句子是中性的，即使它不是说一个句子是中性的，更重要的是如果它是否定的。>weight: return -1 return 0
但是我想知道我是否可以使用class_weight来做这些事情(更多地重视中立类)
浏览 0提问于2020-11-15得票数 3
我正在比较用于海上搜索和救援(SAR)目的的目标检测模型。从我使用的模型，我得到了最好的结果YOLOv3的改进版本的小对象检测和更快的RCNN。对于YOLOv3，我得到了最好的mAP@50，但是为了更快的RCNN，我得到了更好的其他指标(精确性、回忆性、F1分数)。现在我想知道如何阅读它，在这种情况下哪种模式更好呢？
我想补充的是，数据集中只有两个
浏览 11提问于2020-07-18得票数 4
回答已采纳
1回答
我在我的数据上运行了两种不同的分类算法，逻辑回归和朴素贝叶斯，但即使我改变训练和测试数据的比率，它也能提供相同的准确性。下面是我使用的代码from sklearn.cross_validation import train_test_splitfrom sklearn.metrics import
浏览 1提问于2016-08-14得票数 1
我正试着用dlib的猪金字塔探测器训练一个狗脸探测器。我使用的是哥伦比亚犬数据集：精度真的很高，如果它真的设法找到狗的脸，它总是正确的，没有看到任何假阳性。你能给我一些建议，关于
浏览 11提问于2016-09-09得票数 4
回答已采纳
2回答
我得到了以下结果：val_loss (远)低于train_loss，但是与培训集相比，验证的accuracy也更低。这怎么可能？Epoch 5/10这是我使用的Keras模型：model.add(LSTM(16, input_shape=(1, 1)))
model.add(Dense(2, activ
浏览 0提问于2018-01-03得票数 0
sklearn上有一个评估指标，它是f1- score (也存在f-beta score)。当它是大或小时，它表示什么。
浏览 3提问于2017-08-30得票数 6
回答已采纳
1回答
由于数据量大，使用sklearn的基于直方图的梯度增强分类器提供了一个训练速度快的模型，特别是用于使用交叉验证的超参数调优。
但我意识到我的数据集是不平衡的(10% 1's和90% 0's)。我尝试了一个简单的逻辑回归平衡的班级权重。我尝试了各种正则化参数，但精度在15%左右，召回率在62%左右。由于参数变化不大，所以我认为logistic回归
浏览 0提问于2022-01-06得票数 0
1回答
如何提高低召回价值？
、、、
我正在处理的人力资源消耗数据是高度不平衡的。我使用了平衡技术，比如SMOTE来生成合成数据，然后使用高斯朴素Bayes对自然损耗进行分类。在绘制混淆矩阵之后，我发现它具有很高的精确度，但召回率却很低。有人能建议如何提高回忆价值吗？
浏览 0提问于2020-05-11得票数 -1
目前，我正试图对非常不平衡的数据运行sklearn的RepeatedStratifiedKFold交叉验证。，平均准确率很高(94%)，平均精度很低(5%)，召回率(1%)很低。这让我感到困惑，因为我看到这种情况的唯一方法是，如果一个类中的例子比另一个类多很多，这使我感到困惑，因为我认为我的逻辑回归模型平衡了数据。我想知道我的交叉验证是否只适用于
浏览 2提问于2021-12-29得票数 0
2回答
我正在学习机器学习，到目前为止，我已经使用逻辑回归解决了平衡数据的问题，比如情绪分析，其中我对两个类(+ve，-ve)都有相同数量的训练数据。因此，我的数据是稀疏的，只有不到10%的训练数据是+ve大小写(实际上是一个person标签)，reset是负大小写(而不是person标签)。因此，我的训练数据中存在巨大的不平衡。
浏览 0提问于2015-11-10得票数 2
阳性率为4%。类权重方法不会像我在训练时平衡数据一样工作，通过对阳性类样本进行缩放，实时(或在测试数据中)，预期分布会很低。如何为这类情况选择一个好的决策边界。
浏览 0提问于2016-02-26得票数 4
1回答
在分类、目标检测、分割等任务中，给定的深度cnn模型的性能如何随类数的变化而变化？例如，移动网络v2在使用PASCAL进行分类任务时提供了大约90%的准确率；现在，如果我们用两个类(比如人和狗)训练相同的网络，它将如何影响准确性、速度和模型大小？我们能否使网络变得更小，以便从较小的数据集(2个类)中学习，以<e
浏览 0提问于2019-01-01得票数 3
我学到，在训练CNN时调整不平衡的数据会影响模型的表现，这让我思考“在ML中怎么样？”haneulkim.medium.com/handling-imbalanced-class-in-machine-learning-classifiers-1b5c528f427f
最后我得出结论，当我们用随机抽样来平衡我们的数据时，我们的精度和准确性就会下降。如果它需要我做更多的研究，链接到资源将是非常感谢的。谢谢!
浏览 0提问于2021-03-15得票数 1
回答已采纳
2回答
我了解如何使用WEKA，我首先将arff加载到创建Instances的程序中。然后，这些数据将被提供给已在此数据集上训练的Classifier。现在，我想给它一个没有标签的新测试数据集，并让WEKA API告诉我该实例的标签是什么或可能是什么。这是怎么做到的呢？
浏览 0提问于2012-04-20得票数 0
回答已采纳
2回答
我已经使用tensorflow决策森林创建了一个分类模型。我正在努力评估非默认指标(在本例中为PR-AUC)的性能与树的数量之间的变化。 下面是我尝试的一些代码。from sklearn.datasets import load_diabetesimport0.9005518555641174, loss=0.5672071576118469, rmse=None
浏览 46提问于2021-10-22得票数 2
我一直在尝试使用5折交叉验证来对高度不平衡的数据进行分类。我的样本量是：阳性样本: 1064份(占总数的0.01%)
我也想避免数据泄露。然而，我得到了相当低的平均精度分数和F-1分数。我使用加权逻辑回归来帮助我处理不平衡的数据，因为SMOTE在存在极不平衡的数据时不能很好地工作。另外，我在sklearn库中看到了F-1分数的几个选项。from sklearn.ense
浏览 0提问于2021-04-03得票数 1
扫码
添加站长 进交流群
领取专属 10元无门槛券
手把手带您无忧上云
相关资讯
热门标签
云服务器
ICP备案
对象存储
腾讯会议
云直播活动推荐
腾讯云开发者
