用心做事，用爱生活

二分类和多分类混淆矩阵相关公式的计算都遵循上述口诀：“对角都对，横看真实，竖看预测”，所以遵循此原则，就很容易理解二分类和多分类的语义分割指标。以类别1为例，计算公式为：准确率：Accuracy = (a + e + i) / (a + b + c + d + e +f + g + h + i)精准率：P1 = a / (a + d + g)召回率：R1 = a / (a + b + c)...

F1 Micro 不考虑标签之间的差异，将不同的混合矩阵相加的和算取F1的 precison Micro,Recall Micro,F1 Micro.F1 Macro 考虑标签差异，单独计算每个标签的precision和recall，之后算出每个F1， 最后求取平均数。得到F1 Micro...

混淆矩阵精确率召回率准确率F1-scoreROC曲线（AUC）TAR，FRR，FAR举例说明：1混淆矩阵下面是格式化后的混淆矩阵：2 精确率 又称查准率 precision预测为狗的结果中实际狗的占比：TP/(TP+FP)=4/6=66.7%3 召回率 (又称查全率) Recall所有实际为狗的样本中，被预测为狗的占比；TP/(TP+FN)*100%=4/(4+1)*100%=80%4 准确率正样本预测为正与负样本预测为负的和与总样本量的占比：(TP+T.

常见的模型算法测试

机器学习有四种用途：分类、聚类、回归和降维。计算器学习的目的只有三个：分类、聚类和回归，降维不过是达成目标的手段之一。分类和聚类都是对个体样本归类，看起来很相似，实则相去甚远——前者属于有监督的学习，后者属于无监督的学习。分类是基于经验的，而经验来自过往的数据，这意味着分类需要训练；聚类则是基于当前全部样本的特征，不依赖经验，自然也就无需训练。举个例子：让你从一堆水果中挑出苹果、橘子和香蕉，这是分类；让你将画在纸上的若干个图案分组，分组规则由你决定，这是聚类。从字面上看，分类和回归看上去风马牛不相及，.

翻译自 https://www.sogeti.com/globalassets/global/sogetilabs/testing-of-artificial-intelligence.pdf人工智能(AI)。这是很多人只从好莱坞电影中了解到的东西，给人的印象是它不会在不久的将来影响他们的生活。在现实中，人工智能已经改变了我们的日常生活，改善了人类的健康、安全和生产力。与电影中不同的是，未来不会出现超人类机器人。尽管滥用人工智能技术的可能性必须得到承认和解决，但人工智能技术更大的潜力在于，它可以让驾