青青青碰碰,久久丝袜露脸免费,大香蕉大香蕉大香蕉

為什么要評估?

當(dāng)訓(xùn)練或部署神經(jīng)網(wǎng)絡(luò)時(shí)，了解模型的準(zhǔn)確性是有用的。在DL4J中，評估類和評估類的變體可用于評估模型的性能。

分類評估

評估類用于評估二分類和多類分類器（包括時(shí)間序列分類器）的性能。本節(jié)介紹了評估類的基本用法。

給定一個(gè)DataSetIterator形式的數(shù)據(jù)集，執(zhí)行評估的最簡單方法是使用MultiLayerNetwork和ComutationGraph上的內(nèi)置評估方法：

DataSetIterator myTestData = ...
Evaluation eval = model.evaluate(myTestData);

image.gif

然而，也可以對單個(gè)小批量進(jìn)行評估。這里是一個(gè)例子，從我們的示例項(xiàng)目中數(shù)據(jù)實(shí)例/CSV示例中獲得。

CSV的例子有3類花的CSV數(shù)據(jù)，建立了一個(gè)簡單的前饋神經(jīng)網(wǎng)絡(luò)用于對基于4個(gè)測量值的花的分類。

Evaluation eval = new Evaluation(3);
INDArray output = model.output(testData.getFeatures());
eval.eval(testData.getLabels(), output);
log.info(eval.stats());

image.gif

第一行創(chuàng)建一個(gè)具有3個(gè)類的評估對象。第二行從模型中獲取我們測試數(shù)據(jù)集的標(biāo)簽。第三行使用eval方法將來自testdata的標(biāo)簽數(shù)組與從模型生成的標(biāo)簽進(jìn)行比較。第四行將評估數(shù)據(jù)記錄到控制臺。

輸出

Examples labeled as 0 classified by model as 0: 24 times
Examples labeled as 1 classified by model as 1: 11 times
Examples labeled as 1 classified by model as 2: 1 times
Examples labeled as 2 classified by model as 2: 17 times

==========================Scores========================================
 # of classes:    3
 Accuracy:        0.9811
 Precision:       0.9815
 Recall:          0.9722
 F1 Score:        0.9760
Precision, recall & F1: macro-averaged (equally weighted avg. of 3 classes)
========================================================================

image.gif

默認(rèn)情況下，.stats() 方法顯示混淆矩陣條目（每行一個(gè)）、準(zhǔn)確度、精度、召回率和F1分?jǐn)?shù)。此外，評估類還可以計(jì)算并返回以下值：

混淆矩陣
假陽性/陰性率
真陽性/陰性
類別計(jì)數(shù)
F-beta, G-measure, Matthews 關(guān)系數(shù)及更多, 查看 Evaluation JavaDoc

顯示混淆矩陣。

System.out.println(eval.confusionToString());

image.gif

顯示

Predicted:         0      1      2
Actual:
0  0          |      16      0      0
1  1          |       0     19      0
2  2          |       0      0     18

image.gif

此外，可以直接訪問混淆矩陣，使用CSV或HTML轉(zhuǎn)換。

eval.getConfusionMatrix() ;
eval.getConfusionMatrix().toHTML();
eval.getConfusionMatrix().toCSV();

image.gif

回歸評估

為了評估執(zhí)行回歸的網(wǎng)絡(luò)，使用回歸評估類。

帶著評估類，一個(gè)DataSetIterator上的回歸評估可以執(zhí)行如下：

DataSetIterator myTestData = ...
RegressionEvaluation eval = model.evaluateRegression(myTestData);

image.gif

這里有一個(gè)單列的代碼片段，在這種情況下，神經(jīng)網(wǎng)絡(luò)是根據(jù)測量值來預(yù)測自己的年齡。

RegressionEvaluation eval =  new RegressionEvaluation(1);

image.gif

打印評估的統(tǒng)計(jì)數(shù)據(jù)。

System.out.println(eval.stats());

image.gif

Column    MSE            MAE            RMSE           RSE            R^2            
col_0     7.98925e+00    2.00648e+00    2.82653e+00    5.01481e-01    7.25783e-01

image.gif

列是均方誤差、均方絕對誤差、均方根誤差、相對平方誤差和R^2決定系數(shù)。

查看回歸評估JavaDoc

同時(shí)進(jìn)行多個(gè)評估

當(dāng)執(zhí)行多種類型的評估時(shí)（例如，在同一網(wǎng)絡(luò)和數(shù)據(jù)集上執(zhí)行評估和ROC），在數(shù)據(jù)集的一次傳遞中執(zhí)行以下操作更有效：

DataSetIterator testData = ...
Evaluation eval = new Evaluation();
ROC roc = new ROC();
model.doEvaluation(testdata, eval, roc);

image.gif

時(shí)間序列評估

時(shí)間序列評估與上述評估方法非常相似。DL4J中的評估對所有（非掩碼的）時(shí)間步分別執(zhí)行——例如，長度為10的時(shí)間序列將為評估對象貢獻(xiàn)10個(gè)預(yù)測/標(biāo)簽。與時(shí)間序列的一個(gè)不同之處在于掩碼數(shù)組是（可選的），這些掩碼數(shù)組用于將一些時(shí)間步標(biāo)記為丟失或不存在。請參閱使用RNNS掩碼以獲得更多關(guān)于掩碼的細(xì)節(jié)。

對于大多數(shù)用戶來說，僅僅使用 MultiLayerNetwork.evaluate(DataSetIterator) 或 MultiLayerNetwork.evaluateRegression(DataSetIterator) 和類似的方法就足夠了。如果掩碼數(shù)組存在，這些方法將正確地處理掩碼。

二分類器評估

EvaluationBinary用于評估具有二分類輸出的網(wǎng)絡(luò)——這些網(wǎng)絡(luò)通常具有Sigmoid激活函數(shù)和XENT損失函數(shù)。為每個(gè)輸出計(jì)算典型的分類度量，例如準(zhǔn)確度、精度、召回率、F1得分等。

EvaluationBinary eval = new EvaluationBinary(int size)

image.gif

查看 EvaluationBinary JavaDoc

ROC

ROC（接收者操作特征）是另一種常用的評估分類器的評估指標(biāo)。DL4J中存在三個(gè)ROC變體：

ROC -用“一對全部”的方法評估非二分類器
ROCBinary - 用于單二分類標(biāo)簽（作為單列概率，或兩列的softmax概率分布）
ROCMultiClass - 用于多二分類標(biāo)簽

這些類具有通過calculateAUC()和calculateAUPRC()方法計(jì)算ROC曲線下面積(AUROC)和精確度-召回曲線下面積(AUPRC)的能力。此外，可以使用getRocCurve()和getPrecisionRecallCurve()獲得ROC和精確度-召回曲線。

ROC和精確度-召回曲線可以導(dǎo)出到HTML以便查看，使用:“EvaluationTools.exportRocChartsToHtmlFile(ROC,File)”，該文件將導(dǎo)出具有ROC和精確度-召回曲線的HTML文件，可以在瀏覽器中查看。

注意，所有三種支持兩種操作/計(jì)算模式。

閾值（近似AUROC/AUPRC計(jì)算，無內(nèi)存問題）
精確（精確的AUROC/AUPRC計(jì)算，但是對于非常大的數(shù)據(jù)集（即具有數(shù)百萬個(gè)示例的數(shù)據(jù)集）可能需要大量的內(nèi)存

可以使用構(gòu)造函數(shù)設(shè)置容器的數(shù)量。可以使用默認(rèn)構(gòu)造函數(shù)new ROC()來精確設(shè)置，或者顯式地使用new ROC(0)。

參見ROCBinary JavaDoc用于評估二元分類器。

評估分類器校準(zhǔn)

DL4J還具有評估校準(zhǔn)類，它被設(shè)計(jì)用于分析分類器的校準(zhǔn)。它提供了許多的工具用于如下目的：

每個(gè)類別的標(biāo)簽數(shù)量和預(yù)測的計(jì)數(shù)
可靠性圖（或可靠性曲線）
殘差圖（直方圖）
概率直方圖，包括每個(gè)類的概率

使用評估校準(zhǔn)的分類器評估方式與其它評估類相似。可以使用EvaluationTools.exportevaluationCalibrationToHtmlFile(EvaluationCalibration, File)將各種繪圖/直方圖導(dǎo)出到HTML以便查看。

Spark網(wǎng)絡(luò)的分布式評估

SparkDl4jMultiLayer 和 SparkComputationGraph 都有相似的評估方法:

Evaluation eval = SparkDl4jMultiLayer.evaluate(JavaRDD<DataSet>);

//一次傳遞多次評估：
SparkDl4jMultiLayer.doEvaluation(JavaRDD<DataSet>, IEvaluation...);

image.gif

多任務(wù)網(wǎng)絡(luò)評估

多任務(wù)網(wǎng)絡(luò)是經(jīng)過訓(xùn)練以產(chǎn)生多個(gè)輸出的網(wǎng)絡(luò)。例如，可以對給定音頻樣本的網(wǎng)絡(luò)進(jìn)行訓(xùn)練，以預(yù)測說話者的語言和說話人的性別。這里簡要描述了多任務(wù)配置。

適用于多任務(wù)網(wǎng)絡(luò)的評估類

查看 ROCMultiClass JavaDoc

查看 ROCBinary JavaDoc

可用的評估

Evaluation

[源碼]

評估指標(biāo):

精度，召回率，F(xiàn)1，F(xiàn)Beta，準(zhǔn)確度，馬休斯相關(guān)系數(shù)，gMeasure
argmax / 0.5）注意：在使用用于二分類度量（如F1、精確度、召回等）的評估類時(shí)應(yīng)小心。有許多案例需要考慮：
1. 對于二分類（1或2個(gè)網(wǎng)絡(luò)輸出）
  
  c)在兩個(gè)類上使用宏平均度量進(jìn)行二分類（不常見且通常不可?。?，如上（b）所示，指定“null”作為參數(shù)（而不是0或1）
  
  將報(bào)告宏平均（一個(gè)對全部）二分類度量。請注意，可以指定微vs宏平均
  
  注意，設(shè)置自定義二進(jìn)制決策閾值僅對于二分類情況（1或2個(gè)輸出）是可能的，并且如果類的數(shù)量超過2，則不能使用它。概率＞閾值的預(yù)測被認(rèn)為是類1，否則被認(rèn)為是類0。
  
  成本數(shù)組（行向量，大小等于輸出數(shù)量）修改評估過程：我們不是簡單地執(zhí)行predictedClass = argMax(probabilities)，而是執(zhí)行predictedClass = argMax(cost probabilities)。因此，所有1s的數(shù)組（或者實(shí)際上任何相等值的數(shù)組）將導(dǎo)致與無成本數(shù)組相同的性能；非相等值將偏離對某些類的預(yù)測。

Evaluation

public Evaluation(int numClasses)

image.gif

評估中要考慮的分類數(shù)

參數(shù) numClasses 評估中要考慮的分類數(shù)

Evaluation

public Evaluation(int numClasses, Integer binaryPositiveClass)

image.gif

構(gòu)造函數(shù)，用于指定類的數(shù)目，并且可選地用于二分類的正類。有關(guān)二分類情況下的評估的詳細(xì)信息，請參見評估JavaDoc

參數(shù) numClasses 評估的分類數(shù)。必須是2，如果binaryPositiveClass是非空的
參數(shù) binaryPositiveClass 如果非空，則為正類（0或1）。

eval

public void eval(INDArray trueLabels, INDArray input, ComputationGraph network)

image.gif

對使用給定的true標(biāo)簽的輸出、計(jì)算圖網(wǎng)絡(luò)輸入和用于評估的計(jì)算圖網(wǎng)絡(luò) 進(jìn)行評估

參數(shù) trueLabels 使用的標(biāo)簽
參數(shù) input 用于評估的網(wǎng)絡(luò)輸入
參數(shù) network 用于輸出的網(wǎng)絡(luò)

eval

public void eval(INDArray trueLabels, INDArray input, MultiLayerNetwork network)

image.gif

對使用給定的true標(biāo)簽的輸出、多層網(wǎng)絡(luò)輸入和用于評估的多層網(wǎng)絡(luò) 進(jìn)行評估

參數(shù) trueLabels 使用的標(biāo)簽
參數(shù) input 用于評估的網(wǎng)絡(luò)輸入
參數(shù) network 用于輸出的網(wǎng)絡(luò)

eval

public void eval(INDArray realOutcomes, INDArray guesses)

image.gif

收集關(guān)于真實(shí)結(jié)果和猜測的統(tǒng)計(jì)數(shù)據(jù)。這是邏輯的結(jié)果矩陣。

請注意，如果傳遞的兩個(gè)矩陣中長度不相同，則會拋出IllegalArgumentException。

參數(shù) realOutcomes 真實(shí)的結(jié)果（標(biāo)簽-通常是二分類的）
參數(shù) guesses 猜測/預(yù)測 (通常是概率向量)

eval

public void eval(final INDArray realOutcomes, final INDArray guesses,
                    final List<? extends Serializable> recordMetaData)

image.gif

用可選元數(shù)據(jù)評估網(wǎng)絡(luò)

參數(shù) realOutcomes 數(shù)據(jù)標(biāo)簽
參數(shù) guesses 網(wǎng)絡(luò)預(yù)測
參數(shù) recordMetaData 可選的；可以是空的。如果不是NULL，則其大小應(yīng)該等于結(jié)果/猜測的數(shù)量。

eval

public void eval(int predictedIdx, int actualIdx)

image.gif

評估單一預(yù)測（一次一個(gè)預(yù)測）

參數(shù) predictedIdx 網(wǎng)絡(luò)預(yù)測類索引
參數(shù) actualIdx 實(shí)際類索引

stats

public String stats()

image.gif

以字符串形式報(bào)告統(tǒng)計(jì)信息

返回分類統(tǒng)計(jì)信息

stats

public String stats(boolean suppressWarnings)

image.gif

以字符串形式獲取分類報(bào)告的方法。

參數(shù) suppressWarnings 是否輸出與評估結(jié)果相關(guān)的警告
返回（多行）字符串的準(zhǔn)確性、精確性、召回、F1得分等

stats

public String stats(boolean suppressWarnings, boolean includeConfusion)

image.gif

以字符串形式獲取分類報(bào)告的方法。

參數(shù) suppressWarnings 是否輸出與評估結(jié)果相關(guān)的警告
參數(shù) includeConfusion 混淆矩陣是否應(yīng)包含在返回的統(tǒng)計(jì)數(shù)據(jù)中
返回（多行）字符串的準(zhǔn)確性、精確性、召回、F1得分等

confusionMatrix

public String confusionMatrix()

image.gif

將混淆矩陣作為字符串獲取

作為字符串返回混淆矩陣

precision

public double precision(Integer classLabel)

image.gif

返回給定類標(biāo)簽的精度

參數(shù) classLabel 標(biāo)簽
返回標(biāo)簽的精度

precision

public double precision(Integer classLabel, double edgeCase)

image.gif

返回給定類標(biāo)簽的精度

參數(shù) classLabel 標(biāo)簽
參數(shù) edgeCase 在0/0情況時(shí)的輸出
返回標(biāo)簽的精度

precision

public double precision()

image.gif

迄今為止，基于猜測的精確性。

注意：返回的值將根據(jù)類的數(shù)量和設(shè)置而不同。

對于二分類，如果設(shè)置了正類（通過默認(rèn)值為1、通過構(gòu)造函數(shù)或通過setBinaryPositiveClass(Integer)，則返回的值將僅用于指定的正類。
對于多分類的情況，或者當(dāng)getBinaryPositiveClass()為NULL時(shí)，返回的值是跨所有類的宏平均值。即，宏平均精度，相當(dāng)于precision(EvaluationAveraging.Macro)。

基于猜測返回總精度

precision

public double precision(EvaluationAveraging averaging)

image.gif

計(jì)算所有類的平均精度?？梢灾付ㄊ菓?yīng)該使用宏平均還是微觀平均。注意：如果任何類具有tp=0和fp=0，（精度=0/0），則這些類被排除在平均值之外。

參數(shù) averaging 平均法-宏或微
返回平均精度

averagePrecisionNumClassesExcluded

public int averagePrecisionNumClassesExcluded()

image.gif

在計(jì)算(宏)平均精度時(shí)，由于沒有預(yù)測平均中排除了多少類——即，精度是0/0的邊緣情況。

返回從平均精度排除的類數(shù)

averageRecallNumClassesExcluded

public int averageRecallNumClassesExcluded()

image.gif

在計(jì)算(宏)平均召回時(shí)，由于沒有預(yù)測平均中排除了多少類——即，召回是0/0的邊緣情況。

返回從平均召回排除的類數(shù)

averageF1NumClassesExcluded

public int averageF1NumClassesExcluded()

image.gif

在計(jì)算(宏)平均F1時(shí)，由于沒有預(yù)測，從平均值中排除了多少類——即，F(xiàn)1將根據(jù)0/0的精度或召回率來計(jì)算。

返回從平均F1排除的類數(shù)

averageFBetaNumClassesExcluded

public int averageFBetaNumClassesExcluded()

image.gif

在計(jì)算(宏)平均FBeta時(shí)，由于沒有預(yù)測，從平均值中排除了多少類——即，F(xiàn)Beta將根據(jù)0/0的精度或召回率來計(jì)算。

返回從平均FBeta排除的類數(shù)

recall

public double recall(int classLabel)

image.gif

返回給定標(biāo)簽的召回率

參數(shù) classLabel 標(biāo)簽
返回double類型的召回率

recall

public double recall(int classLabel, double edgeCase)

image.gif

返回給定標(biāo)簽的召回率

參數(shù) classLabel 標(biāo)簽
參數(shù) edgeCase 在0/0的情況下的輸出
返回double類型的召回率

recall

public double recall()

image.gif

迄今為止基于猜測的召回

注意：返回的值將根據(jù)類的數(shù)量和設(shè)置而不同。

對于二分類，如果設(shè)置了正類（通過默認(rèn)值為1、通過構(gòu)造函數(shù)或通過setBinaryPositiveClass(Integer)，則返回的值將僅用于指定的正類。
對于多分類的情況，或者當(dāng)getBinaryPositiveClass()為NULL時(shí)，返回的值是跨所有類的宏平均值。即，宏平均召回，相當(dāng)于recall(EvaluationAveraging.Macro)。

為結(jié)果返回召回

recall

public double recall(EvaluationAveraging averaging)

image.gif

計(jì)算所有類的平均召回-可以指定是使用宏平均還是微觀平均。注意：如果任何類都具有TP＝0和fn＝0，（召回＝0/0），這些都是從平均值中排除的。

參數(shù) averaging 平均方法-宏或微
返回平均召回率

falsePositiveRate

public double falsePositiveRate(int classLabel)

image.gif

返回給定標(biāo)簽的假陽性率

參數(shù) classLabel 標(biāo)簽
返回double類型的假陽性率

falsePositiveRate

public double falsePositiveRate(int classLabel, double edgeCase)

image.gif

返回給定標(biāo)簽的假陽性率

參數(shù) classLabel 標(biāo)簽
參數(shù) edgeCase 0/0時(shí)的輸出
返回double類型的假陽性率

falsePositiveRate

public double falsePositiveRate()

image.gif

迄今為止基于猜測的假陽性率注意：返回的值將根據(jù)類的數(shù)量和設(shè)置而不同。

對于二分類，如果設(shè)置了正類（通過默認(rèn)值為1、通過構(gòu)造函數(shù)或通過setBinaryPositiveClass(Integer)，則返回的值將僅用于指定的正類。
對于多分類的情況，或者當(dāng)getBinaryPositiveClass()為NULL時(shí)，返回的值是跨所有類的宏平均值。即，宏平均假陽性率，相當(dāng)于falsePositiveRate(EvaluationAveraging.Macro)。

返回輸出假陽性率

falsePositiveRate

public double falsePositiveRate(EvaluationAveraging averaging)

image.gif

計(jì)算所有類別的平均假陽性率。可以指定是應(yīng)該使用宏平均還是微觀平均

參數(shù) averaging 平均方法.宏觀或微觀
返回平均假陽性率

falseNegativeRate

public double falseNegativeRate(Integer classLabel)

image.gif

返回給定標(biāo)簽的假陰性率

參數(shù) classLabel 標(biāo)簽
返回double類型的假陰性率

falseNegativeRate

public double falseNegativeRate(Integer classLabel, double edgeCase)

image.gif

返回給定標(biāo)簽的假陰性率

參數(shù) classLabel 標(biāo)簽
參數(shù) edgeCase 在0/0的情況下的輸出
返回double類型的假陰性率

falseNegativeRate

public double falseNegativeRate()

image.gif

迄今為止基于猜測的假陰性率注意：返回的值將根據(jù)類的數(shù)量和設(shè)置而不同。

對于二分類，如果設(shè)置了正類（通過默認(rèn)值為1、通過構(gòu)造函數(shù)或通過setBinaryPositiveClass(Integer)，則返回的值將僅用于指定的正類。
對于多分類的情況，或者當(dāng)getBinaryPositiveClass()為NULL時(shí)，返回的值是跨所有類的宏平均值。即，宏平均假陰性率，相當(dāng)于falseNegativeRate(EvaluationAveraging.Macro)。

返回輸出假陽性率

falseNegativeRate

public double falseNegativeRate(EvaluationAveraging averaging)

image.gif

計(jì)算所有類別的平均假陰性率?？梢灾付ㄊ菓?yīng)該使用宏平均還是微觀平均

參數(shù) averaging 平均方法.宏觀或微觀
返回平均假陰性率

falseAlarmRate

public double falseAlarmRate()

image.gif

誤報(bào)率反映了對分類記錄的錯(cuò)誤分類率。http://ro.ecu.edu.au/cgi/viewcontent.cgi?article=1058&context=isw 注意：返回的值將根據(jù)類的數(shù)量和設(shè)置而不同。

對于二分類，如果設(shè)置了正類（通過默認(rèn)值為1、通過構(gòu)造函數(shù)或通過setBinaryPositiveClass(Integer)，則返回的值將僅用于指定的正類。
對于多分類的情況，或者當(dāng)getBinaryPositiveClass()為NULL時(shí)，返回的值是跨所有類的宏平均值。即，宏平均誤報(bào)率。

返回輸出誤報(bào)率

public double f1(int classLabel)

image.gif

計(jì)算給定分類的F1分?jǐn)?shù)

參數(shù) classLabel 計(jì)算F1的標(biāo)簽
返回給定標(biāo)簽的F1分?jǐn)?shù)

fBeta

public double fBeta(double beta, int classLabel)

image.gif

計(jì)算給定類的FBeta，其中FBeta定義為：

（1 +beta^ 2）（精確召回）/（beta^ 2精度+召回）。

F1是FBeta的一個(gè)特例，具有beta＝1。

參數(shù) beta 使用的Beta值
參數(shù) classLabel 分類標(biāo)簽
返回 FBeta

fBeta

public double fBeta(double beta, int classLabel, double defaultValue)

image.gif

計(jì)算給定類的FBeta，其中FBeta定義為：

（1 +beta^ 2）（精確召回）/（beta^ 2精度+召回）。

F1是FBeta的一個(gè)特例，具有beta＝1。

參數(shù) beta 使用的Beta值
參數(shù) classLabel 分類標(biāo)簽
參數(shù) defaultValue 精度或召回未定義（精度或召回為0/0）時(shí)的缺省值
返回 FBeta

public double f1()

image.gif

計(jì)算F1得分

F1得分定義為：

TP：真陽性

FP:假陽性

FN：假陰性

F1得分：2 TP/（2TP+FP+FN）

注意：返回的值將根據(jù)類的數(shù)量和設(shè)置而不同。

對于二分類，如果設(shè)置了正類（通過默認(rèn)值為1、通過構(gòu)造函數(shù)或通過setBinaryPositiveClass(Integer)，則返回的值將僅用于指定的正類。
對于多分類的情況，或者當(dāng)getBinaryPositiveClass()為NULL時(shí)，返回的值是跨所有類的宏平均值。即，宏平均 f1，相當(dāng)于 f1(EvaluationAveraging.Macro)。

返回基于當(dāng)前猜測的f1分?jǐn)?shù)或精度與召回的調(diào)和平均

public double f1(EvaluationAveraging averaging)

image.gif

計(jì)算所有類別的F1得分?？梢灾付ㄊ菓?yīng)該使用宏平均還是微觀平均

參數(shù) averaging 平均方法.宏觀或微觀

fBeta

public double fBeta(double beta, EvaluationAveraging averaging)

image.gif

計(jì)算所有類別的F_beta得分?？梢灾付ㄊ菓?yīng)該使用宏平均還是微觀平均

參數(shù) beta 使用的Beta值
參數(shù) averaging 平均方法.宏觀或微觀

gMeasure

public double gMeasure(int output)

image.gif

計(jì)算給定輸出的G-measure

參數(shù) output 指定輸出
返回指定輸出的G-measure

gMeasure

public double gMeasure(EvaluationAveraging averaging)

image.gif

使用微或宏平均計(jì)算所有輸出的平均Gmeasure

參數(shù) averaging 平均方法.宏觀或微觀
返回平均G measure

accuracy

public double accuracy()

image.gif

準(zhǔn)確率: (TP + TN) / (P + N)

返回到目前為止猜測的準(zhǔn)確率

topNAccuracy

public double topNAccuracy()

image.gif

迄今為止預(yù)測的第N高的準(zhǔn)確率。對于top n＝1（默認(rèn)值），相當(dāng)于accuracy()

返回前N 準(zhǔn)確率

翻譯：風(fēng)一樣的男子

image

如果您覺得我的文章給了您幫助，請為我買一杯飲料吧！以下是我的支付寶，意思一下我將非常感激！

image

色偷偷精品伊人,欧洲久久精品,欧美综合婷婷骚逼,国产AV主播,国产最新探花在线,九色在线视频一区,伊人大交九欧美,1769亚洲,黄色成人av

DL4J中文文檔/調(diào)優(yōu)與訓(xùn)練/評估-1

DL4J中文文檔/調(diào)優(yōu)與訓(xùn)練/評估-1

為什么要評估?

分類評估

回歸評估

同時(shí)進(jìn)行多個(gè)評估

時(shí)間序列評估

二分類器評估

ROC

評估分類器校準(zhǔn)

Spark網(wǎng)絡(luò)的分布式評估

多任務(wù)網(wǎng)絡(luò)評估

可用的評估

Evaluation

相關(guān)閱讀更多精彩內(nèi)容

友情鏈接更多精彩內(nèi)容

色偷偷精品伊人,欧洲久久精品,欧美综合婷婷骚逼,国产AV主播,国产最新探花在线,九色在线视频一区,伊人大交九 欧美,1769亚洲,黄色成人av

DL4J中文文檔/調(diào)優(yōu)與訓(xùn)練/評估-1

為什么要評估?

分類評估

回歸評估

同時(shí)進(jìn)行多個(gè)評估

時(shí)間序列評估

二分類器評估

ROC

評估分類器校準(zhǔn)

Spark網(wǎng)絡(luò)的分布式評估

多任務(wù)網(wǎng)絡(luò)評估

可用的評估

Evaluation

相關(guān)閱讀更多精彩內(nèi)容

友情鏈接更多精彩內(nèi)容

色偷偷精品伊人,欧洲久久精品,欧美综合婷婷骚逼,国产AV主播,国产最新探花在线,九色在线视频一区,伊人大交九欧美,1769亚洲,黄色成人av