В реальном машинном обучении мы столкнемся с множеством различных метрик оценки, иногда нам нужно создать свои собственные метрики оценки, основанные на проблеме, но в этой записной книжке мы увидим некоторые из наиболее часто используемых метрик оценки. В классификации чаще всего используются следующие показатели: Точность Точность Отзывать F1-счет Площадь под кривой или (площадь под кривой ROC(рабочая характеристика приемника)) AUC Потеря журнала Вышеупомянутые..

По словам Эндрю Н.Г., «Искусственный интеллект - это новое электричество». Рост в области искусственного интеллекта и машинного обучения за последние два года невероятен. В этом быстро меняющемся мире потребность в улучшении, чтобы конкурировать с конкурентами, сохраняется постоянно. Нельзя игнорировать потребность в улучшении продукта или услуги. Машинное обучение (ML) обеспечивает это улучшение при правильном и эффективном использовании. В этом блоге я расскажу о типах..

Чтобы классифицировать данные по нескольким классам, мы позволяем нашей функции гипотезы возвращать вектор значений. Допустим, мы хотели классифицировать наши данные по одной из четырех категорий. Мы будем использовать следующий пример, чтобы увидеть, как выполняется эта классификация. Этот алгоритм принимает в качестве входных данных изображение и соответственно классифицирует его: Мы можем определить наш набор результирующих классов как y: Каждый y ^ {(i)} представляет другое..