分类：多分类

2020
10-08

pytorch 多分类问题,计算百分比操作

二分类或分类问题，网络输出为二维矩阵：批次x几分类，最大的为当前分类，标签为one-hot型的二维矩阵：批次x几分类计算百分比有numpy和pytorch两种实现方案实现，都是根据索引计算百分比，以下为具体二分类实现过程。pytorchout=torch.Tensor([[0,3],[2,3],[1,0],[3,4]])cond=torch.Tensor([[1,0],[0,1],[1,0],[1,0]])persent=torch.mean(torch.eq(torch.argmax(out,dim=1),torch.argma... 继续阅读 >

2020
10-08

PyTorch: Softmax多分类实战操作

多分类一种比较常用的做法是在最后一层加softmax归一化，值最大的维度所对应的位置则作为该样本对应的类。本文采用PyTorch框架，选用经典图像数据集mnist学习一波多分类。MNIST数据集MNIST数据集(手写数字数据集)来自美国国家标准与技术研究所,NationalInstituteofStandardsandTechnology(NIST).训练集(trainingset)由来自250个不同人手写的数字构成,其中50%是高中学生,50%来自人口普查局(theCensusBureau)... 继续阅读 >

2020
10-08

python实现二分类和多分类的ROC曲线教程

基本概念precision：预测为对的当中，原本为对的比例（越大越好，1为理想状态）recall：原本为对的当中，预测为对的比例（越大越好，1为理想状态）F-measure：F度量是对准确率和召回率做一个权衡（越大越好，1为理想状态，此时precision为1，recall为1）accuracy：预测对的（包括原本是对预测为对，原本是错的预测为错两种情形）占整个的比例（越大越好，1为理想状态）fprate：原本是错的预测为对的比例（越小越好，0为理想状态）... 继续阅读 >

2020
10-07

使用sklearn对多分类的每个类别进行指标评价操作

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：y_true=['北京','上海','成都','成都','上海','北京','上海','成都','北京','上海']y_pred=['北京','上海','成都','... 继续阅读 >

2020
10-07

Keras中的多分类损失函数用法categorical_crossentropy

fromkeras.utils.np_utilsimportto_categorical注意：当使用categorical_crossentropy损失函数时，你的标签应为多类模式，例如如果你有10个类别，每一个样本的标签应该是一个10维的向量，该向量在对应有值的索引位置为1其余为0。可以使用这个方法进行转换：fromkeras.utils.np_utilsimportto_categoricalcategorical_labels=to_categorical(int_labels,num_classes=None)以mnist数据集为例：fromkeras.datasetsimportm... 继续阅读 >