1>理解監督學習
監督學習的目標是要預測一些資料的標簽或者目標值，故監督學習可以劃分為兩種形式：
- 分類：使用資料來預測類別的這些監督學習就叫做分類，比如：預測一張影像中是否包含一只狗或一只貓，在這里，資料的標簽就是類別，只能是其中一類或者是另一類，而不可能是兩類的混合結果，當只有兩種選擇時，就叫做二分類或者二值分類，當多于兩類時，比如：預測第二天的天氣，就叫做多類分類，
- 回歸：使用資料預測真實值的這些監督學習就叫做回歸，比如：當我們預測股票價值的時候，并不像預測股票的類別那樣，回歸的目標是盡可能準確地去預測目標值，
2>OpenCV中的監督學習
在OpenCV中構建一個機器學習模型總是遵照下面的邏輯：
- 初始化：通過名字呼叫模型來創建一個模型的空實體，
- 設定引數：如果模型需要一些引數，可以通過設值函式進行設定，
- 訓練模型：每個模型必須提供一個叫做train的類函式，用于讓模型擬合一些資料，
- 預測新的標簽：每個模型必須提供一個叫做predict的類函式，用于讓模型預測新資料的標簽，
- 評估模型：每個模型必須提供一個叫做calcError的類函式，用于評估模型的性能，
3>使用評分函式評估模型性能
在二值分類的任務中，有幾種不同的方法來評估分類的效果，一些常見的指標如下所示：
- 準確率（accuracy_score）：正例和負例中預測正確的數量占總數量的比例，比如：在把圖片分為貓或者狗的類別時，準確率表示的就是那些被正確分為包含貓或者狗的圖片的比例，
- 精確率（precision_score）：預測為正例的樣本中預測正確的比例，比如：在所有預測包含貓的圖片中，真正包含貓的圖片的比例，
- 召回率（recall_score）：實際為正例的樣本中預測正確的比例，比如：在所有實際包含貓的圖片中，已經被正確識別為貓的圖片的比例，
用一些只包含0或者1的類標簽來模擬，首先，把亂數生成器的種子設定為固定值：
import numpy as np
np.random.seed(42)通過在0~(2-1)的范圍內隨機取整數的方式，生成5個不是0就是1的隨機標簽：
y_truly=np.random.randint(0,2,size=5)
y_truly
#結果：array([0, 1, 0, 0, 0])假設有一個嘗試預測類標簽的分類器，為了方便說明，我們假設這個分類器并不準確，并且總是預測標簽1：
y_pred=np.ones(5,dtype=np.int32)
y_pred
#結果：array([1, 1, 1, 1, 1])計算準確率（兩種方法）：
np.sum(y_truly==y_pred)/len(y_truly)
#結果：0.2
from sklearn import metrics
metrics.accuracy_score(y_truly,y_pred)
#結果：0.2混淆矩陣：
| 預測結果（True/False） | 真實情況 | ||
| 正例（Positive） | 負例（Negative） | ||
| 正例 | TP（真正例） | FN（假負例） | |
| 負例 | FP（假正例） | TN（真負例） | |
計算TP（真正例，即我們預測為1，標簽也為1）：
truly_a_positive=(y_truly==1)
predicted_a_positive=(y_pred==1)
true_positive=np.sum(predicted_a_positive*truly_a_positive)
true_positive
#結果：1計算FP（假正例，即我們預測為1，但標簽為0）：
false_positive=np.sum((y_pred==1)*(y_truly==0))
false_positive
#結果：4計算FN（假負例，即我們預測為0，但標簽為1）：
false_negative=np.sum((y_pred==0)*(y_truly==1))
false_negative
#結果：0計算TN（真負例，即我們預測為0，標簽也為0）：
true_negative=np.sum((y_pred==0)*(y_truly==0))
true_negative
#結果：0轉載請註明出處，本文鏈接：https://www.uj5u.com/qita/247759.html
標籤：AI
上一篇：安裝linux中遇到的問題二進制/無法安裝tools/共享檔案不出現/檔案不能拖拽
下一篇：匯編語言基礎