Matrice de confusion sklearn (Confusion matrix sklearn) est une méthode « d’apprentissage en profondeur » en ligne, plutôt qu’une méthode de « réseau d’apprentissage en profondeur ». Cela signifie que les algorithmes d’apprentissage qui sont plus efficaces que le code machine normal peuvent ou non être plus efficaces que tout autre algorithme de notre code.
Passons maintenant en revue les meilleures méthodes et pourquoi elles peuvent sembler appartenir ou non.
Sélection neuronale
Cette méthode est intéressante. Fondamentalement, un ensemble de neurones est entraîné pour donner certains résultats à une direction spécifique du modèle. Par exemple, le choix de la direction est basé uniquement sur le bon angle et la bonne distance, donc si nous voulons trouver une certaine direction de la matrice sous la forme d’une ligne droite, nous devons d’abord apprendre dans quelles directions apprendre à un rythme particulier. . Comme vous vous en doutez, les algorithmes de sélection neuronale comme celui-ci sont beaucoup plus loin d’être efficaces, c’est ce dont nous avons besoin:
Remarquez un point ou un groupe de points sur le réseau de neurones dans un espace tridimensionnel.
Enfin, disons un groupe de paires de neurones avec la même direction, et un seul neurone de chacun. C’est le réseau optimal. Il y aura de nombreux autres problèmes liés à la combinaison de ce modèle avec des algorithmes d’apprentissage profond, alors examinons-les de plus près. C’est essentiellement ce qui se passe ici: nous avons décidé des trois meilleures stratégies pour choisir les 10 réseaux de neurones les plus rapides du réseau, en utilisant les données de 4100.
Confusion matrix sklearn
Calculez la matrice de confusion pour évaluer l’exactitude de la classification. Par définition, la matrice de confusion Égal à égal aux observations dans le groupe qui sont connues et censées faire partie du groupe . Par conséquent, dans la classification binaire, le vrai nombre négatif est , Faux négatifs, vrais positifs et faux positifs . En savoir plus dans le guide de l’utilisateur.
from sklearn.metrics import confusion_matrix y_vrai = [2, 0, 2, 2, 0, 1] y_predit = [0, 0, 2, 2, 0, 2] confusion_matrix(y_vrai, y_predit)
matrice de confusion sklearn est un programme capable d’analyser de grandes quantités de données de performance afin d’interpréter les résultats de manière simple. Ceci est accompli en utilisant une matrice sklearn et un simple ensemble de règles que le sklearn fournit, mais qui n’ont pas encore été implémentées dans le monde réel. Ce sklearn peut être utilisé pour déterminer plus que simplement quelles parties de vos données d’entraînement sont réellement performantes et pour développer des stratégies pour les analyser dans la vie réelle. Cette vidéo explique sklearn et montre à quel point vous pouvez facilement créer le vôtre.
Conclusion
matrice de confusion sklearn est une extension de son cadre existant d’algèbre linéaire, avec un nouveau type de modèle. Ce n’est pas exactement un modèle, mais il semble avoir l’avantage de donner beaucoup plus de flexibilité pour la modélisation et la modélisation des réseaux de neurones et d’autres structures neuronales complexes.
C’est très intéressant. L’objectif principal est maintenant de fournir des modèles d’apprentissage en profondeur qui ne sont pas construits avec tous ces modèles à l’esprit pour avoir une certaine flexibilité dans la manière dont ils seront testés.
Cela doit être clair, vous ne pouvez choisir d’avoir dans votre programme qu’un modèle dont vous êtes conscient. J’espère que cela sera utile à l’avenir.
Si vous souhaitez en savoir plus, consultez un google doc ou un cours en ligne.
Liens externes – TypeError: Converting circular structure to JSON
Liens internes
https://128mots.com/index.php/2021/03/16/tri-fusion-python/embed/#?secret=3jjT6bPEJ4 Website 128mots.com
