机器学习中的分类模型通过常见的性能度量来评估其性能。 此函数计算以下性能度量：准确度、灵敏度、特异性、精确度、召回率、F 度量和 G 均值。 函数的签名和参数的描述如下：
EVAL = 评估（实际，预测） 输入： ACTUAL =带有培训示例的实际班级标签的列矩阵PREDICTED = 分类模型预测类标签的列矩阵输出： EVAL = 包含所有性能指标的行矩阵
2022-04-26 23:08:20
1KB
1
机器学习实战(第七章-利用AdaBoost元算法提高分类性能-所有代码与详细注解-python3.7)
机器学习实战(第七章-利用AdaBoost元算法提高分类性能-所有代码与详细注解-python3.7)
2022-03-21 10:04:16
49KB
1
传统的分类方法都是建立在类分布大致平衡这一假设基础上的,然而实际情况中,数据往往都是不均衡的。因此,传统分类器分类性能通常比较有限。从数据层面和算法层面对国内外分类算法做了详细而系统的概述。并通过仿真实验,比较了多种不平衡分类算法在6个不同数据集上的分类性能,发现改进的分类算法在整体性能上得到不同程度的提高,最后列出了不均衡数据分类发展还需解决的一些问题。
2021-03-06 16:18:02
1.12MB
1