今天我们来说下分类情况下常用的一个指标：混淆矩阵。那什么是混淆矩阵呢？其实就是把所有类别的预测结果与真实结果按类别放置到了同一个表里，在这个表格中我们可以清楚看到每个类别正确识别的数量和错误识别的数量。那么混淆矩阵在什么情况下最能直观看到其优势呢？答案是类别不平衡时。我们下面来先看个例子：我们看下这个识别的准确率=0.8，哇，准确率不低呀，都80分了，挺好的啊！！！但是我们看下预测结果，全部是0，

一、python在读取read_csv自己创建的csv文件时，报错UnicodeDecodeError: 'utf-8’codec can't decode byte Oxd0 in position 0: invalid continuation byte二、解决办法 保存csv格式以,分隔三、成功读取

arr = [[1,2,3,4],[5,6,7,8],[9,10,11,12]]#方法1ar2 =[]for i in range(len(arr[0])):b =[]for j in range(len(arr)):b.append(arr[j][i])ar2.append(b)print(ar2)#方法2ar2 = list(map(list,zip(*arr)))print(ar2)#方法3

str.format()Python2.6之后新增的一宗格式化字符串的函数。用{}和:来替换以前的%>>>"{} {}".format("hello", "world")# 不设置指定位置，按默认顺序'hello world'>>> "{0} {1}".format("hello", "world")# 设置指定位置'hello world'>>&g

感谢转载自：https://blog.csdn.net/space_walk/article/details/102738583Python中没有直接对字符串排序的方法，下面介绍两种方法对字符串进行排序。第一种方法，将字符串转换成数组，对数组排序后，再转换成字符串。代码如下：#!/usr/bin/env python# -*- coding:utf-8 -*-def main():# 字符串s =

1、均方误差：MSE（Mean Squared Error）其中，为测试集上真实值-预测值。SSE(和方差)该统计参数计算的是拟合数据和原始数据对应点的误差的平方和，计算公式如下SSE=SSE越接近于0，说明模型选择和拟合更好，数据预测也越成功。接下来的MSE和RMSE因为和SSE是同出一宗，所以效果一样2、均方根误差：RMSE（Root Mean Squard Error）可以看出，RMSE=s

转自:https://blog.csdn.net/yiqianmingyang/article/details/52311643MATLAB中的插值函数为interp1，其调用格式为：  yi= interp1(x,y,xi,'method')           其中x，y为插值点，yi为在被插值点xi处的插值结果；x,y为向量， 'method'表示采用的插值方法，MATLAB提供的插...

转载自：https://blog.csdn.net/Captain_DUDU/article/details/105081643那么class_weight有什么作用呢？在分类模型中，我们经常会遇到两类问题：第一种是误分类的代价很高。比如对合法用户和非法用户进行分类，将非法用户分类为合法用户的代价很高，我们宁愿将合法用户分类为非法用户，这时可以人工再甄别，但是却不愿将非法用户分类为合法用户。这时，

官方文档https://scikit-learn.org/stable/modules/generated/sklearn.metrics.log_loss.html原理　　对数损失, 即对数似然损失(Log-likelihood Loss), 也称逻辑斯谛回归损失(Logistic Loss)或交叉熵损失(cross-entropy Loss), 是在概率估计上定义的.它常用于(multi-no