在深度学习中，当数据被手动分割时，如何评估模型？
在深度学习中，当数据被手动分割时，评估模型的常用方法有以下几种：
- 精度（Accuracy）：精度是最常用的模型评估指标之一。它表示模型在所有预测结果中正确预测的比例。计算精度的公式为：精度 = 预测正确的样本数 / 总样本数。
- 召回率（Recall）：召回率衡量了模型对于正样本的识别能力。它表示模型能够正确预测出的正样本数量占所有正样本数量的比例。计算召回率的公式为：召回率 = 真正例 / (真正例 + 假反例)。
- 精确率（Precision）：精确率衡量了模型对于预测结果的准确性。它表示模型预测为正样本的样本中，真正为正样本的比例。计算精确率的公式为：精确率 = 真正例 / (真正例 + 假正例)。
- F1值（F1 Score）：F1值是综合考虑精确率和召回率的评估指标。它是精确率和召回率的调和均值，可以平衡模型的准确性和召回能力。计算F1值的公式为：F1值 = 2 * (精确率 * 召回率) / (精确率 + 召回率)。
- ROC曲线与AUC值：ROC曲线是以真正例率（TPR）为纵轴，假正例率（FPR）为横轴绘制的曲线。通过绘制不同阈值下的TPR和FPR，可以评估模型在不同分类阈值下的性能。AUC值是ROC曲线下的面积，用于综合评估模型的分类能力，取值范围为0.5到1，值越接近1表示模型性能越好。
以上是常用的评估模型方法，根据具体的问题和需求，选择合适的评估方法进行模型评估。腾讯云提供了多种深度学习相关的产品和服务，例如腾讯云AI智能语音、腾讯云机器学习平台等，您可以通过访问腾讯云官网（https://cloud.tencent.com/）了解更多相关信息。
相关·内容
目前，我正试图在数据流上学习一个深入的学习模型，该模型会随着时间的推移不断地生成新的数据点。目标是生成一个能够很好地适应新生成的数据的实时DL模型，同时不影响对旧数据的预测。我在想，是否有人知道如何才能做到“数据流上的增量深度学习”呢？任何信息都将不胜感激，谢谢！
浏览 0提问于2021-02-21得票数 0
在教程中，数据集被分成三个不同的集合：(1) data_sets.train、(2) data_sets.validation和(3) data_sets.test。然而，在训练循环中，只使用data_sets.train进行训练。
# Start the training loop.
for step in xrange(FLAGS.max_steps):
start_time = time.time()
# Fill a feed dictionary with the actual set of images and labels
# for this particular
浏览 0提问于2017-01-27得票数 3
1回答
我对以下两个过程感兴趣：
对同态加密数据执行深度学习
对未加密的数据执行同态加密模型的深度学习预测。我的意思是加密深度学习模型的权重，将它们发送给数据所有者，并执行加密的预测。数据的所有者将返回加密的预测。例如，请参阅此博客文章中的逻辑回归示例。我想知道是否可以使用PHE (部分同态加密，例如Paillier)进行深入学习(包括许多隐藏层)，或者是否需要一个FHE (完全同态加密)。
欢迎推荐人！
浏览 0提问于2018-02-13得票数 6
我目前正在研究我的第一个机器学习模型( Penguins数据集)。我将训练三种机器学习模型，每个模型使用不同的模型结构(决策树、随机森林和梯度提升)，并相互比较。我知道，在我的特殊情况下，如果我想比较三种不同型号的精度，测试/列车分割将是必要的。但是，是否总是需要将数据集划分为训练集和测试集？
让我们以随机森林算法为例--我们可以使用OOB评分来评估我们的模型，并在不执行训练/测试分割的情况下执行实际的测试。由于我们的训练集中已经有一堆样本不会实际用于训练，所以我认为使用它们进行测试是个好主意，而不是通过显式地将训练集分割成训练/测试集来减少训练集。我认为，当我们拥有小型数据集(例如Palme
浏览 0提问于2021-12-15得票数 1
2回答
K折叠交叉验证是一种用于将数据分割成K个Folds数的技术，用于测试和培训。目的是估计机器学习模型的可拓性。该模型被训练K次，每列折叠一次，然后在相应的测试褶皱上测试。
假设我想对任意数据集上的决策树和Logistic回归模型与10个Folds进行比较。假设对每个模型进行10倍的训练，并得到相应的检验精度，Logistic回归具有较高的平均精度，说明该模型是较好的数据集模型。
现在，用于应用程序和部署。是对所有数据进行Logistic回归模型再培训，还是从对K-Folds进行训练的10个Logistic回归模型中创建一个集合？
浏览 6提问于2022-05-20得票数 3
回答已采纳
1回答
我该如何处理模特的超身问题？
、、、、
我使用XGBoost模型来预测攻击，但我得到了100%的准确率，我也尝试了随机森林，同样，我得到了100%。我该怎么处理这个卵子改装的问题？我遵循的步骤是:数据清理、数据分割、特性缩放、特性选择--我甚至试图改变这个顺序，但仍然得到了相同的东西。你知道怎么处理这件事吗？谢谢
浏览 7提问于2022-10-19得票数 0
回答已采纳
我有一个高分辨率无人机图像的数据集，我已经将其拆分成大小为512x512的瓦片。这些瓷砖将通过描绘特定类型的植物进行注释，并以COCO格式存储。我想使用自监督学习，例如在tiles中进行分割。Pytorch Lightning bolts模块提供了已经预先训练好的自我监督模型，例如SimCLR。根据bolts module documentation的说法，应该可以使用螺栓在任何计算机视觉任务上微调SimCLR。 然而，我找到的唯一示例显示了SimCLR是如何在分类任务上进行微调的。一个finetune SimCLR (或另一个自监督模型)如何在实例分割任务上进行调整？
浏览 33提问于2020-12-11得票数 3
我正在做一些关于医学数据的实验。我即将转移，学习预先训练的网络，以解决我的问题。
首先，我必须选择一个网络架构。其次，对优化器的参数/参数进行优化，以获得更好的性能。
我想选择基于10倍交叉验证的几种架构的网络体系结构。我将执行交叉验证的方式，我有数据分割训练:测试以80:20的方式，然后列车被分割成10个分裂。测试集不应该改变。基于交叉验证，我想选择一个模型，我将进一步优化验证集。
在优化参数之前，也可以测试测试数据上最好的体系结构，看看我正在朝着正确的方向移动，还是作弊？
数据集是不平衡的，具有相对较高的类方差，所以我甚至不确定测试的2倍将显着地表示数据集。
谢谢
浏览 0提问于2019-03-09得票数 0
1回答
我目前正在做一个关于语义分割的小组项目，需要用自己的数据集来训练模型。问题是数据集在任何预先训练的模型中都是不可用的，因为目标是检测运动鞋的每一部分(例如。花边，外底，前贴，标志等)。我们的团队成员中没有一个从未学习过深度学习，而是学习过计算机科学。还有一个关于面具的问题-RCNN。预训练模型的权重的确切含义是什么？它是根据DL模型计算的权重吗？
浏览 0提问于2019-08-14得票数 0
回答已采纳
我想做以下工作：
使用深度学习模型和迁移学习模型进行文本分类。
我正在创建的笔记本应该包括以下步骤：
数据准备
清洁
埃达
嵌入/预处理
培训
评估
我想使用的数据集是雅虎_回答_拥抱脸的话题，它附带了一个已经定义好的训练和测试分割。这就是我不确定的一点:我应该如何处理这个预定义的列车和测试分裂？
咨询其他类似问题关于什么时候做火车和测试拆分，说明清洗和EDA可以执行整个数据集。然而，其他资源提到，EDA只应对培训数据进行.并使用验证和测试数据来评估对列车数据集作出的任何决策的质量。什么是正确的方法？
如果第一种方法是可行的；这是否意味着我必须在开始时最好地组合这两个数据集，清理，预处理，然
浏览 0提问于2022-12-22得票数 1
回答已采纳
1回答
这是什么类型的计算机视觉任务？
、、、、
我试图找出哪种算法或计算机视觉任务(深度学习任务)可以实现以下目标：
我的来源图片是：
我想创建这样的片段：
什么类型的任务或算法或一系列步骤可以产生这样的结果？
我试过：
基于深度学习的分割模型。但它并不总是能产生最好的效果。
我在想：
如果我们能够将OpenCV前后处理类型的任务组合与基于深度学习的语义分割结合起来，我们就可以实现这一目标。
有什么建议吗？
浏览 9提问于2022-02-17得票数 1
回答已采纳
2回答
训练/测试数据集和模型
、、、
我想问你如何处理火车和测试数据集。我有未贴标签的数据。他们是短文(最多100个字符)，我需要了解他们的感情。为此，我手动分配标签(1,0，-1)。然而，我有2000多个文本，我想找到一种方法来自动完成，在考虑了一个小的标签集。我想的是从一开始就将数据集分割成训练和测试，并使用训练数据集来标记数据。不幸的是，我还不知道如何为剩下的文本分配标签，即如何预测测试数据集中数据的情感。
你能告诉我下一步会做些什么吗?如果你认为有什么可以帮助你更好地理解的话，你可以建议一个榜样来学习吗？非常感谢
浏览 0提问于2020-07-09得票数 1
回答已采纳
1回答
我正在做一个机器学习项目。我已经为项目的不同阶段设置了ML管道。管道是这样的- 数据提取->数据验证->预处理->训练->模型评估 模型评估，在完成培训后进行，以确定模型是被批准还是被拒绝。现在，我想要的是在训练过程中在任何时候进行模型评估。大约在60%的训练完成时，停止训练并评估模型，基于此，如果模型被批准，它将恢复训练。 如何实现上述场景？
浏览 23提问于2021-04-01得票数 0
我正在使用opencv的CvBoost进行分类。我用数千兆字节的数据训练了分类器，然后把它保存下来。该模型有一个由1000名弱学习者组成的树，深度为20 (默认设置)。现在，我想加载它来预测实时生产代码中的类。然而，学习模式的规模是巨大的(几乎是千兆字节)。我相信这是因为保存函数保存了所有用于学习的数据，这样就可以正确地更新培训模型。然而，我不需要这个功能在运行时，我只是想使用固定的参数(1000弱学习者，等等)，这应该不是很多数据。
有没有一种方法可以将弱学习者的参数保存下来并加载到CvBoost?中？
是否有人有使用此或另一个opencv学习模型缩小学习模型数据大小的经验？备注: CvBo
浏览 6提问于2015-02-24得票数 1
1回答
迁移学习中嵌入的训练与测试
、、、、
我正在做转移学习与谷歌音频嵌入。根据文件，
嵌入层不包括最终的非线性激活，因此嵌入值是预激活的。
我想用嵌入数据在这些嵌入层上训练和测试一个新的模型。我计划做以下工作
从字节字符串到张量的嵌入，创建了新的密集layers.Convert。将这些嵌入分割成训练、测试和拆分数据集。将这些张量输入到新的中，并使用验证数据集和测试数据集测试模型。
我对这个实现有两种混淆。
正在使用嵌入作为新层的输入，足以进行迁移学习吗？我在一些传输学习实现中看到，他们将预先训练过的权重加载到新模型中，并冻结涉及这些权重的层。但是在这些实现中，他们使用新的数据进行训练，而不是从预先训练的模型中嵌入数据。我搞不懂它是如
浏览 0提问于2022-03-27得票数 -1
2回答
对于我的主人来说，我正在比较不同的方法来解决一个问题(比如图像分割)。
我正在比较机器学习和深度学习方法与经典的算法(比如简单的或自适应的阈值)。
你如何称呼这些经典的或标准的方法？就像那些不依赖于数据却是手工设计的算法。我似乎找不到一个正确的术语。
浏览 0提问于2018-07-31得票数 0
1回答
目前我正在学习神经网络。我尝试使用不同的模型来识别人，并遇到了一个非常有趣的问题。我使用了yolo v3，掩码r-cnn，但从间接角度拍摄的照片中的所有人都忽略了照片中的人。现有的模型中哪一个是最准确和有效的？
浏览 2提问于2019-09-11得票数 0
2回答
当我想用交叉验证来评估我的模型时，我应该对原始数据(火车和测试中没有分割的数据)或火车/测试数据执行交叉验证吗？
我知道训练数据被用来拟合模型，测试用于评估。如果我使用交叉验证，我是否应该将数据分割成训练和测试？
features = df.iloc[:,4:-1]
results = df.iloc[:,-1]
x_train, x_test, y_train, y_test = train_test_split(features, results, test_size=0.3, random_state=0)
clf = LogisticRegression()
model = clf
浏览 7提问于2020-03-19得票数 0
回答已采纳
我使用预训练的imagenet模型来使用ResNet101和BN层来训练另一个数据集。
训练结束后，我应该如何评估模型？？我应该不设置chainer.using_config('train', False)吗？？
我发现，即使我在训练数据集上进行评估，也发现评估准确率太低，不是(只达到80%)，不是验证数据集。但是当我切换到chainer.using_config('train', True)时，准确率达到了99%。
我也把这个问题放到了上
审阅者评论之一：
我认为问题是因为BatchNorm在训练和测试中使用了不同的统计数据。
我的答案是基于这样的假设，即您正
浏览 0提问于2018-04-13得票数 0
1回答
使用您自己构建的模型进行预测输出
、、、、
我需要更好地理解如何从零开始创建机器学习算法，使用基于布尔值开发的自己的模型，例如文本中的单词#、标点符号#、大写字母的#等等，以确定文本是正式的还是非正式的。例如:我有
Text
there is a new major in this town
WTF?!?
you're a great person. Really glad to have met you
I don't know what to say
BYE BYE BABY
我创建了一些规则来为这个(小型)训练数据集分配一个标签，但我需要了解如何将这些规则应用于一个新的数据集(测试)：
如果有大写词，那么我；
如果
浏览 0提问于2020-10-08得票数 3
回答已采纳
我正在使用深度学习对图像数据集进行分割。训练图像和蒙版是jpg格式的。我想知道在把jpg转换成png的过程中有没有丢失信息？我搜索了一下，但找不到任何相关信息。我正在尝试使用png图像是否可以提高分割精度。任何帮助都是非常感谢的。
浏览 123提问于2020-11-04得票数 1
回答已采纳
1回答
我刚开始深造，我想用U-Net做语义切分，我听说其中一种让我的结果更好的策略就是使用交叉验证，而这种方法在深度学习中并不是很流行。
我做了一些研究，以找出如何在我的数据集上实现它，但我找不到可靠的答案。你能帮我实现5倍交叉验证吗？我应该在5倍上训练1型吗？这在我看来是不正确的，因为为什么我不应该只是在整个训练数据集上训练模型呢？或者，我应该在每个折叠上训练5个模型，并对5个输出进行平均推理？这可能有效，但推理时间会非常长。谢谢
浏览 14提问于2022-11-04得票数 0
回答已采纳
我在深度学习中读到了“训练和推理”。这与一般ML中“训练/测试”的概念有何不同？在列车/测试分裂模型还没有看到测试集的数据。这与谈论深度学习模型的“推理”阶段不一样吗？
浏览 0提问于2019-04-25得票数 0
回答已采纳
Keras允许用户在拟合模型的同时，使用参数"validation_split“将数据分割为训练/测试样本。
示例：
model = Sequential()
model.add(Dense(3, activation = 'relu'))
//编译模型/
model.fit(X_train, y_train, validation_split = 0.2)
然而，我的直觉表明，使用validation_split (相对于创建训练，在拟合模型之前测试样本)会导致过度拟合，因为尽管validation_split在每个时期将批划分为训练和测试，但总体效果是整个数据集被模
浏览 0提问于2020-11-24得票数 -1
回答已采纳
1回答
我正在尝试理解XGBoost中的多类分类是如何工作的。我已经读过陈和格斯特林的论文(2016，https://arxiv.org/abs/1603.02754)，但我仍然不清楚细节： 假设我想为一个3类分类任务生成一个概率分类器。如果我理解正确的话，XGBoost将回归树拟合为“弱学习者”或boosting模型的组成部分。因此，如果将一个新的预测向量传递给XGB模型，回归树将产生一个实际值，即“预测”，其(加权)组合是增强模型预测。 从this question和论文中的文档中，我推测softmax激活函数被应用于增强的模型预测(实值？)，并且在将softmax应用于模型输出之后，通过优化交
浏览 18提问于2020-01-16得票数 1
回答已采纳
1回答
我是在线学习初学者。在我看来，在线学习模型是一种可以用数据流更新其参数的模型(我看过一篇文章指出，增量模型是时间的不可弥补的，而在线学习强调的是时间序列中的数据流)。
在这里，我认为它们是一回事。
在我看来，大多数深度学习都可以被微调，就像我们微调一个预先训练过的bert模型，这意味着一个深度学习模型可以被精细调整，这相当于深度学习模式是一个在线学习模式，只要我尽快收到数据流。
顺便说一句，我谷歌在线学习，结果相关的这是很少发现，从而谷歌学者。这个领域已经不热了吗？或者我输入了错误的关键字，请告诉我。谢谢。
浏览 0提问于2022-02-22得票数 0
当执行k-折叠交叉验证时，对于每一个折叠，我们都有一个不同的验证集和一个略有变化的学习集。说你从第一次到第二次。υοu是如何从第二个折叠迭代中继承的第一个折叠中学到的？目前看来，你只计算精度，所学习的模型被丢弃，永远不会被保留。
我遗漏了什么？如果保留这样的模式呢？它是如何保留的，DQN和KNN的方法是否不同？
浏览 1提问于2020-06-05得票数 1
回答已采纳
1回答
我遵循的是一个，它说测试文件夹还应该包含一个单独的文件夹，所有的测试图像都在其中(不会有子文件夹/标签文件夹)。另一方面，训练文件夹和验证文件夹应该包含‘n’文件夹，每个文件夹都包含相应类的图像。例如：
结构1
/Data
//train
classA folder
classB folder
classC folder
//val
classA folder
classB folder
classC folder
//test
浏览 1提问于2022-08-09得票数 1
回答已采纳
2回答
我试图使用the算法进行降维，我知道这不是这个算法的主要用途，也不推荐。我看到了一个在t上实现的这里。，我不相信这个实现。
该算法的工作方式如下：
给定训练数据集和测试数据集，将2合并成一个完整的数据集。
在完整数据集上运行the (不包括目标变量)
将the的输出作为K个新列添加到完整的数据集中，K是the的映射维数。
将整个数据集重新分割为培训和测试。
将训练数据集分割成N个折叠
在N个折叠上训练机器学习模型并做N个交叉验证。
在测试数据集中评估机器学习模型
我的主要问题不是关于the但是；
在数据转换之前，我可以将数据集分割成训练集和测试集，用于其他降维算法(如PCA )吗？
这会有效吗
浏览 0提问于2022-03-14得票数 1
回答已采纳
1回答
我知道类似的问题已经问了很多次了，但我找不到这个问题的答案，至少在某种程度上没有让我满意。
我对如何使用验证集感到非常困惑。我知道他们被用来执行超参数扫描，但我不太确定是以什么方式。例如，假设我试图在一个有一个隐藏层和一个有两个隐藏层的神经网络之间做出决定，并且我有一个50/25的训练/验证/测试分割的数据。我不会执行k-折叠简历，因为这是我的问题的内在原因。
我是否应该在培训期间使用验证集(以防止过度拟合)和在事实之后使用相同的验证集(当模型被完全训练时)以确定哪个模型更好？何时使用验证集来比较模型？
然后，一旦我到达测试集，我知道我应该一起训练训练数据和验证集。但是，我是否应该将验证集与最
浏览 0提问于2020-02-21得票数 1
据我所知，机器学习算法通过输入(自变量)来预测输出(因变量)。我相信，哪条线/曲线最能定义培训数据将取决于培训数据。当它确定最佳的线或曲线时，绘制新的输入，并在绘图的基础上找到目标变量。
我的问题是，在交叉验证过程中，由于分割的不同，训练数据会发生变化，这难道不应该改变最佳拟合线吗?这难道不应该使K个不同的模型(=分裂数)发生变化吗？如果是(它使K不同的模型)，那会有什么用呢？如果没有，那我哪里出错了？
浏览 0提问于2021-02-12得票数 0
回答已采纳
1回答
在博弈搜索树中，有许多算法可以得到最优解，如极小极大算法。我开始学习如何用极小极大算法来解决这个问题，算法清晰。但我对树本身感到困惑，在像tic tac toe这样的游戏中节点数量不是很大，但在其他像国际象棋这样的游戏中有很多节点。我认为这需要很大的内存空间。那么，有没有什么算法可以同时评估和构建树呢？
浏览 2提问于2010-10-23得票数 3
回答已采纳
我想知道一个模型是否也是从测试数据中训练自己，同时对它进行多次评估，从而导致了一个过度拟合的场景。通常，我们将训练数据分成train-test分割，我注意到有些人将它分成3组数据-- train、test和eval。eval是对模型的最终评价。我可能错了，但我的观点是，如果上面提到的场景不是真的，那么就不需要eval数据集。
需要澄清一下。
浏览 5提问于2018-01-03得票数 1
回答已采纳
因此，最近我一直在学习中的教程，并提出了以下问题:内部是否存在培训/验证分割？
问题是，在本教程中，主数据集被拼接到培训和测试中。在这里，训练集用于训练和评估()函数中的测试。
据我所知，在处理神经网络时，通常将数据分成3组:训练、验证和测试。然而，在本教程中，它只分为培训和测试。据我所知，通常对模型进行训练，然后进行评估，然后根据评估步骤中学到的内容更新权重。然而，我似乎找不到评估功能和培训之间的任何联系。因此，在此示例中，使用相同的数据集对模型进行评估和测试。
这里有我可能遗漏的东西吗？在培训期间是否存在训练数据集的内部分裂(分为训练和验证)，而函数估价()仅仅用于测试模型的性能？
for
浏览 0提问于2020-10-05得票数 0
回答已采纳
1回答
对于与分类和回归问题相关的术语，我面临一些困惑。使用MLP和Perceptron模型。这些建议如下：
1)当数据线性不可分时，我们使用MLP。在这里，什么是b“数据”--是响应还是输入特性是线性不可分割的？
2)如果它是线性不可分的，那么它是否意味着从输入到输出的映射函数总是非线性的？因此，我们更喜欢MLP或最新的新模式，如深度学习？
3)线性回归在线性不可分离数据中失效，或者线性回归对不可分离数据有效，但如果函数映射是非线性的，则线性回归失败？
浏览 0提问于2019-10-08得票数 2
回答已采纳
我的问题是，我应该首先在整个数据集上执行特征选择的selectkbest学习函数，然后将数据集分解成训练和测试集，还是在数据集被分割后对它们执行selectkbest？在第二种情况下，是否有可能为测试数据集选择不同的k特征，而不是用于培训？我对机器学习非常陌生，最近我刚刚学到了一些关于特征选择的知识。
我在这里使用了单变量特性选择示例，以了解selectkbest 作为示例。
浏览 2提问于2017-05-26得票数 1
回答已采纳
我一直在修改增强的树，并且我看到对于公共库，可以设置一个参数来确定L1正则化。我将原来的特征集加倍到130个左右，因此它包含了一些噪声，一些新的有用的特征，以及高度的多重共线性，而且在几个实验中，模型的性能明显地差了。
我想知道，如果L1收缩导致特性集中的稀疏性，为什么会出现这种情况。我希望模型能够抛弃噪音，保留新的有用特性，从而提高性能，但事实并非如此。为什么会这样呢？
浏览 0提问于2022-11-04得票数 1
1回答
我正在学习R中的plsr，遇到了几个让我困惑的不同的例子。在以下两种方法中，我看到了两种方法来拟合和找到最佳数量的部件。我只想知道哪一种是合适的，哪一种更好？
1)假设我们有一个叫做数据的数据，它被划分为列车数据data.train和测试数据data.test。然后，将plsr安装为
plsr.fit = plsr(formula, data = data.train, validation = "CV", scale = TRUE)
summary(plsr.fit)
然后根据最小的ncomp值求出CV值。
2)不分割任何数据，只需将模型拟合成完整的数据。
plsr(form
浏览 4提问于2017-07-19得票数 0
回答已采纳
3回答
我想知道为什么深度学习模式如此不稳定。假设我使用相同的数据集多次训练机器学习模型(例如logistic回归)，并多次训练深度学习模型(例如LSTM)。在此之后，我计算了每个模型的平均值及其标准差。深度学习模型的标准差比机器学习模型的标准差大得多。为什么会这样？
这与深度学习方法中的权值初始化有关吗？如果是这样的话，为什么模型不总是收敛在同一点上呢？
浏览 0提问于2021-11-09得票数 4
我正在使用Kinect v2和Kinect SDK v2。
我有几个关于坐标映射的问题：
如何将相机空间点(三维坐标系中的点)转换为具有深度值的深度空间？
现有的MapCameraPointToDepthSpace方法只能返回深度空间坐标。
但是没有深度值，这种方法是无用的。
有人知道如何得到深度值吗？
如何获得彩色相机的内在特性？
只有一种GetDepthCameraIntrinsics方法来获取深度相机的内在特性。
但是彩色相机呢？
如何使用深度相机的内在？
似乎Kinect 2考虑了径向畸变。
但是如何利用这些内在特性来进行深度像素和三维点之间的转换呢？
有任何示例代码可以做
浏览 0提问于2015-03-23得票数 0
2回答
我遇到了一个对象检测问题，我的数据由带有边界框的图像组成。我已经回顾了几个最先进的对象检测网络()，并且很难看到实例分割和对象检测是从哪里开始的。
我正试图找出，如果通过边框注释的数据进行训练，什么才是最好的呢？像掩码R-CNN这样的东西会比速度更快的R-CNN表现得更好吗?还是这种性能提升要求我的所有数据在像素级别上被分割，而不是在微调之前用边框注释？如果在边框上训练，没有分割的数据，蒙版R会比R表现得更快吗？我知道你可以用掩码R进行包围盒推断，但是你能在没有像素级分割的情况下训练模型吗？什么是最先进的目标检测，不需要训练像素级分割？
浏览 2提问于2019-10-03得票数 1
1回答
我在许多不同的来源中看到，我需要将我的数据分成一个训练集和一个测试集。然后，我必须确保算法只对训练数据进行训练，并尽量避免测试数据泄漏到训练过程中。
为了避免学习不重要的数据细节(这将提高算法的泛化能力)，我可以将训练数据进一步分割成适当的训练集和验证集，并选择算法的参数，为所有这些分割提供最佳的平均性能。
最后，我在测试集上对我的算法进行了评估，得到了一些数字: MSE，RMSE，等等。但是这些数字是否真的表明，我的算法有多好，并且它们不受测试集的影响？
当然，我没有在训练期间使用我的测试数据，但是我得到的算法参数只对这种分割成训练和测试集的参数有效。如果我以不同的方式分割数据，我将得到不同
浏览 0提问于2020-01-23得票数 1
回答已采纳
1回答
在离散选择模型中，根据特定的“标准”分割我的样本，并研究解释变量对每个片段的影响，与在未分割的人口中添加“标准”作为另一个解释变量有什么不同？
比如说，我想建立一个使用MNL的通勤模式选择模型，当我通过性别来划分我的人口，并研究各种解释变量的影响，而添加性别作为另一个解释变量在整个未分割的人口中时，这有什么区别呢？
浏览 0提问于2017-07-26得票数 1
回答已采纳
1回答
在使用GATE工具对训练数据运行机器学习算法(SVM)后，我想在测试数据上对其进行测试。我的问题是，我是否应该使用相同的训练数据进行测试，同时，模型如何从测试数据中提取实体，而测试数据没有使用训练数据中学习到的注释进行注释。
我遵循了这个链接上的教程，但在最后，当它谈到将数据集拆分为训练和测试时，它有点令人困惑。
浏览 2提问于2014-08-28得票数 0
2回答
这是我第一次使用蓝色机器学习..。
当我使用相同的训练数据和测试数据训练了两个模型时，当涉及到评估模型时，它会出现误差。
所有的模型都必须有相同的学习者类型。
你知道什么是“学习者类型”的机器学习模式，以及如何告诉学习者类型的模式？
下面是我在蓝色机器学习方面的基本实践的截图：
浏览 3提问于2016-04-21得票数 0
回答已采纳
2回答
我目前正在研究一个机器学习模型。为了解释它是如何工作的，我研究了部分依赖图、特性重要性和各种方法，但有一件事仍然让我担心:我是应该用我训练模型的数据集来评估这些数据集，还是用它来执行预测的当前数据集？这当然会导致不同的结果取决于模型的分布和性能。你怎么处理这件事？如有任何意见或意见，敬请见谅！
浏览 0提问于2019-07-19得票数 2
1回答
我有一个包含20000个样本的文本数据集(这还不够)。我使用文本增强来“发明”更多的样本，所以本质上我将每个样本乘以10 -最后得到200000个样本(这10个样本中的每一个都是一种不同的增强方法)。
在将整个数据集分割为训练和测试数据集之前，我就这样做了。我应该只为训练数据集这样做吗？
更新：
根据所给出的答案，我有一个后续问题：
操作的顺序应该是什么？我现在明白了，应该只在火车数据集上进行增强，但是标记化和阻塞又如何呢？
下面的顺序正确吗？
将数据集分割成两个数据集:训练和测试
仅在列车数据集上执行增强操作
词干和标记这两个数据集
文本编码
创建模型
模型拟合数据
评量
我想我的问题是关于
浏览 0提问于2021-12-29得票数 1
回答已采纳
1回答
我正忙着翻阅奥里莲·热罗恩的书。(手工机器学习与Scikit-学习，Keras，和Tensorflow)
这样做的目的是尽早将数据分割成训练和测试集，以避免数据窥探的偏见。然后，对数据进行更改。
我的问题是，既然对训练集进行了更改，那么我假设相同的更改(删除列、填充NA行、将分类转换为数字等)应该在培训和评估之前对测试集进行更改？如果是这样的话，正确的方法是什么呢？把所有的东西都写成一个函数，并在两者上运行它，这似乎有点违背了使用笔记本的直觉吗？有没有我不知道的内置功能？
浏览 0提问于2021-05-24得票数 1
回答已采纳
我是医学影像专业的学生。我需要构造一个用于图像分割的神经网络。我有一个由285个被试组成的数据集，每一个都有4种模式(T1，T2，T1ce，FLAIR) +他们各自的分割地面真相。一切都是3D的，分辨率为240x240x155体素(这是BraTS数据集)。
正如我们所知道的，由于内存原因，我不能将整个图像输入到GPU上。我必须对图像进行预处理，并将它们分解为3D重叠补丁(40x40x40的子卷)，这是我使用scikit-image view_as_windows所做的，然后在TFRecords文件中序列化窗口。由于每个斑块在每个方向上重叠10个体素，因此每卷5 292个斑块。问题是，只有一个模
浏览 1提问于2018-12-07得票数 1
回答已采纳
扫码
添加站长 进交流群
领取专属 10元无门槛券
手把手带您无忧上云
相关资讯
热门标签
云服务器
ICP备案
对象存储
即时通信 IM
实时音视频活动推荐
腾讯云开发者
