景深，DoF，Depth of field 弥散圆，CoC， Circle of confusion 什么是景深？能被镜头准确聚焦的点，在一个平面（面A）上。比这个平面更靠近，或者更远离相机的点光源，在相机靶面成像不是一个点，而是一个圆。点光源，离这个平面越远，成像的圆越大。这个圆就是弥散圆。 根据可以接受的弥散圆直径，确定景
神经网络测试 import numpy as npimport tensorflow as tffrom tensorflow.examples.tutorials.mnist import input_data#载入数据集mnist = input_data.read_data_sets('C:/Users/CHANYING/Desktop/huadabing/data/bankloan.xls', one_hot=True)#每个批次的大小batch_size=100#计
1.混淆矩阵是机器学习中总结分类模型预测结果的情形分析表，以矩阵形式将数据集中的记录按照真实的类别与分类模型预测的类别判断两个标准进行汇总 2.分类评估指标中定义的一些符号含义: TP(True Positive) ：将正类预测为正类数,真实为0,预测为0 FN(False Negative)：将正类预测为
维护一段连续的subarray，窗口内只有要么k个T或者k个F，并计算此时窗口的大小，更新全局最大值。 class Solution: def maxConsecutiveAnswers(self, answerKey: str, k: int) -> int: rare = 0 count_T = 0 count_F = 0 res = 0 for
layout: post title: 机器学习的分类模型评价方法 description: 模型评价 tag: 机器学习 分类模型评价方法 评估分类器（分类模型）相对于评估回归器通常要复杂，本篇以MNIST数据集的手写数字识别分类为例，记录常用的分类器评估方法。 交叉验证：Cross-Validation 留一交叉验证：（Leav
【1】混淆矩阵（Confusion Matrix）概念 【2】 混淆矩阵-百度百科 【3】 Python中生成并绘制混淆矩阵（confusion matrix） 【4】 使用python绘制混淆矩阵（confusion_matrix） 示例： 程序摘自【4】。 from sklearn.metrics import confusion_matrix import matplotlib.pyplot as plt im
转载自：https://blog.csdn.net/lidahuilidahui/article/details/103831851 05-SNAP处理Sentinel-2 L2A级数据（三） 前言数据集崇明岛简况无监督分类监督分类 分类类别的确定创建训练样本集 创建矢量容器矢量编辑工具 查看矢量数据管理器帮助文档勾绘多边形修改或删除图形位置或者端
import seaborn as sns sns.set(font_scale=1.4) # y label 横向 import matplotlib.pyplot as plt ''' https://zhuanlan.zhihu.com/p/35494575 fmt ='.0%'#显示百分比 fmt ='f' 显示完整数字 = fmt ='g' fmt ='.3'显示小数的位数 = fmt
今天晚上，笔者接到客户的一个需要，那就是：对多分类结果的每个类别进行指标评价，也就是需要输出每个类型的精确率（precision），召回率（recall）以及F1值（F1-score）。 对于这个需求，我们可以用sklearn来解决，方法并没有难，笔者在此仅做记录，供自己以后以及读者参考。 我们模拟的数据如下：
简介 混淆矩阵是ROC曲线绘制的基础，同时它也是衡量分类型模型准确度中最基本，最直观，计算最简单的方法。 一句话解释版本： 混淆矩阵就是分别统计分类模型归错类，归对类的观测值个数，然后把结果放在一个表里展示出来。这个表就是混淆矩阵。 数据分析与挖掘体系位置 混淆矩阵是评判模
转自：https://blog.csdn.net/Orange_Spotty_Cat/article/details/80520839 略有改动，仅供个人学习使用 简介 混淆矩阵是ROC曲线绘制的基础，同时它也是衡量分类型模型准确度中最基本，最直观，计算最简单的方法。 一句话解释版本：混淆矩阵就是分别统计分类模型归错类，归对类的观测值个数，
什么是混淆矩阵： 混淆矩阵是机器学习中总结分类模型预测结果的情形分析表，以矩阵形式将数据集中的记录按照真实的类别与分类模型作出的分类判断两个标准进行汇总。 这个名字来源于它可以非常容易的表明多个类别是否有混淆（也就是一个class被预测成另一个class
