Публикации по теме 'classification'


Простые шаги для постепенного улучшения производительности модели машинного обучения
Итак, вы создали свою первую модель обучения, позволяющую, скажем, классифицировать изображение как собаку или кошку в заданном наборе данных. Но его производительность далеко не соответствует вашему удовлетворению. Следующим общим шагом будет работа над увеличением набора данных или немедленное переключение на другую модель классификации, не затрачивая дополнительных усилий на глубокую диагностику возможностей текущей модели. Однако, в качестве альтернативы, также может быть..
Шаг вперед: классификация изображений с использованием TensorFlow 2.x и набора данных TensorFlow
В этом уроке мы создадим сеть для предсказания класса изображения. Поэтому мы используем набор данных tf_flowers , который состоит из 3670 и 5 различных классов. Этот туториал основан на туториале от TensorFlow . Этот урок следует нашему известному рабочему процессу: Загрузка данных и подготовка наших наборов данных Определить модель Обучение и оценка модели Загрузка данных и подготовка наших наборов данных Во-первых, давайте посмотрим на наш набор данных. Мы используем..
Основы машинного обучения: наивная байесовская классификация
Понимание наивного байесовского алгоритма и решение известной проблемы набора данных IRIS путем реализации модели наивной байесовской классификации В предыдущих рассказах я давал объяснение программы для реализации различных моделей регрессии . Также я описал реализацию модели логистической регрессии, классификации KNN и SVM. В этой статье мы рассмотрим алгоритм известной модели наивной байесовской классификации на примере. Обзор наивной байесовской классификации Наивный..
Оптимизация гиперпараметров с помощью Scikit-Learn, Scikit-Opt и Keras
Изучите практические способы оптимизации гиперпараметров вашей модели с помощью поиска по сетке, рандомизированного поиска и байесовской оптимизации. Оптимизация гиперпараметров часто является одним из последних шагов в проекте по науке о данных. После того, как у вас будет короткий список многообещающих моделей, вы захотите настроить их так, чтобы они лучше работали с вашим конкретным набором данных. В этом посте мы рассмотрим три метода, используемых для поиска оптимальных..
Машинное обучение I : подробное объяснение контролируемого обучения
Что такое машинное обучение? Машинное обучение — это наука (и искусство) программирования компьютеров, чтобы они могли учиться на основе данных. Например, ваш спам-фильтр — это программа машинного обучения, которая может научиться помечать спам на примерах спам-писем (например, отмеченных пользователями) и на примерах обычных (не спамовых, также называемых «любительскими») электронных писем. Примеры, которые система использует для обучения, называются обучающим набором. Каждый..
5 классификаторов машинного обучения, которые вы должны знать
Конечная цель путешествия по машинному обучению — достичь этапа, на котором можно применять методы, изученные на наборах данных, которые до сих пор никто не пробовал, или на ваших собственных данных. Другими словами, решить новую проблему, которая еще не решена. Данные MNIST и Iris хороши, но хороши только для начала пути. Но тогда какие наборы данных следует использовать? Получение фактических данных для реальных проблем может быть дорогим, а иногда может быть даже неосуществимым,..
У вас есть несбалансированный набор данных? Вот как это можно исправить.
Введение Дисбаланс классов — распространенная проблема с классификацией. Это означает, что в наборе данных существует неравное распределение классов. Например, в наборе данных по обнаружению мошенничества с кредитными картами большинство транзакций по кредитным картам не являются мошенничеством, а очень немногие транзакции являются мошенничеством. Случаи мошенничества происходят один раз на 200 транзакций в этом наборе данных, поэтому в истинном распределении около 0,5% данных являются..