gz7seven

目录PR曲线概念precision（精准率）和recall（召回率）PR曲线功能说明PR曲线概念PR曲线中的P代表的是precision（精准率），R代表的是recall（召回率），其代表的是精准率与召回率的关系，一般情况下，将recall设置为横坐标，precision设置为纵坐标。precision（精准率）和recall（召回率）上述中介少了PR曲线的实质代表为precision（精准率）和recall（召回率），但是这二者是什么呢？下面咱们进行相关的讲述。首先，我们了解一下混淆矩阵，如下表

以下均为自己看视频做的笔记，自用，侵删！K最近邻(k-Nearest Neighbor，KNN)分类算法，该方法的思路是：如果一个样本在特征空间中的k个最相似(即特征空间中最邻近)的样本中的大多数属于某一个类别，则该样本也属于这个类别。K-近邻算法步骤：对于未知类别属性数据集中的点：计算已知类别数据集中的点与当前点的距离按照距离依次排序选取与当前点距离最小的K个点确定前K个点所在类别的出现概率返回前K个点出现频率最高的类别作为当前点预测分类。概述：KNN 算法本身简单有效，它是一

欠拟合和过拟合简介机器/深度学习的基本问题是利用模型对图像、语音、数字等数据进行拟合。学习的目的是对未曾在训练集合出现的样本能够正确预测。在进行如下讲解之前先简单地介绍几个概念：模型对训练集数据的误差称为经验误差，对测试集数据的误差称为泛化误差。模型对训练集以外样本的预测能力就称为模型的泛化能力，追求这种泛化能力始终是机器与深度学习的目标。过拟合(overfitting)和欠拟合(underfitting)是导致模型泛化能力不高的两种常见原因，都是模型学习能力与数据复杂度之间失配的结果。“欠拟合”的主

KNN与K-Means的区别与相似点算法性质不同：KNN为可监督的分类算法；K-Means是无监督的聚类算法；输入数据不同：KNN输入的数据是带label的正确的数据；K-Means输入的是杂乱无章的无label的数据，经过聚类处理后数据才会有一定的规律，由无序到有序；前期训练过程不同：KNN属于memony based learning，没有明显的前期练过程；K-Means有明显的前期训练过程；K的含义不同：KNN中K的含义：来了一个样本x，要给它分类，即求出它的y，就

“近朱者赤，近墨者黑”K最近邻(k-Nearest Neighbor)K最近邻(k-Nearest Neighbor，KNN)分类算法，主要应用领域是对未知事物的识别，即判断未知事物属于哪一类，即如果一个样本在特征空间中的k个最相似(即特征空间中最邻近)的样本中的大多数属于某一个类别，则该样本也属于这个类别。kNN算法不仅可以用于分类，还可以用于回归。通过找出一个样