开发者社区

文档建议反馈控制台

最新优惠活动

文章/答案/技术大牛

发布

敏感度太低，在插入符号训练中AUC非常高，交叉验证重采样结果

敏感度太低是指在二分类问题中，模型对正样本的识别能力较弱，即较多的正样本被错误地预测为负样本。插入符号训练是一种用于增强模型对少数类样本的学习能力的方法，通过在少数类样本中插入符号来生成新的样本，从而平衡正负样本的比例，提高模型对少数类的识别能力。AUC（Area Under the Curve）是一种常用的评价指标，用于衡量二分类模型的性能，其取值范围在0.5到1之间，值越接近1表示模型性能越好。

交叉验证重采样是一种常用的模型评估方法，它将数据集划分为训练集和测试集，并重复多次进行模型训练和评估。在每次训练中，将训练集进一步划分为训练子集和验证子集，用于模型的训练和调参。通过交叉验证重采样，可以更准确地评估模型的性能，并避免过拟合或欠拟合的问题。

针对敏感度太低的问题，可以采取以下方法来改善模型性能：

数据增强：通过插入符号训练等技术，增加少数类样本的数量，平衡正负样本比例，提高模型对少数类的学习能力。
特征工程：对原始数据进行特征提取、选择和转换，提取更有区分度的特征，以增强模型的分类能力。
模型选择和调参：尝试不同的机器学习算法和模型架构，调整模型的超参数，选择最优的模型和参数组合。
集成学习：通过集成多个模型的预测结果，如投票、平均等方式，提高模型的泛化能力和稳定性。
优化算法：选择合适的优化算法，如随机梯度下降（SGD）、Adam等，加速模型的收敛速度和性能。
调整决策阈值：根据实际需求和业务场景，调整分类模型的决策阈值，平衡准确率和召回率。

在云计算领域，敏感度太低的问题可能会涉及到数据安全和隐私保护等方面。腾讯云提供了一系列的云安全产品和解决方案，如腾讯云安全组、腾讯云堡垒机等，用于保护云上应用和数据的安全。具体产品和介绍可以参考腾讯云的官方网站：https://cloud.tencent.com/product/security

同时，腾讯云还提供了丰富的人工智能和大数据相关的产品和服务，如腾讯云机器学习平台、腾讯云数据湖等，用于支持敏感度太低问题中的数据处理和模型训练等任务。具体产品和介绍可以参考腾讯云的官方网站：https://cloud.tencent.com/product/ai

页面内容是否对你有帮助？

有帮助

没帮助

相关·内容

重点！11个重要的机器学习模型评估指标

构建机器学习模型的想法应基于建设性的反馈原则。你可以构建模型，从指标得到反馈，不断改进，直到达到理想的准确度。评估指标能体现模型的运转情况。评估指标的一个重要作用在于能够区分众多模型的结果。

01

独家 | 处理非均衡数据的7种技术

在这些领域的数据通常只占有总数据量不到1%，为罕见但“有趣的”事件（例如，骗子使用信用卡、用户点击广告或入侵服务器扫描其网络）。然而，绝大多数机器学习算法并不能很好地处理这些非均衡的数据集。利用以下七种技术可以通过训练一个分类器来检测出上述异常类。

02

一个企业级数据挖掘实战项目｜教育数据挖掘

本案例数据集来自Balochistan的6000名学生。其基本情况：一共13个字段，其中RESULT为结果标签；

03

对"样本不均衡"一顿操作

样本不均的问题大家已经很常见了，我们总是能看到某一个类目的数量远高于其他类目，举个例子，曝光转化数远低于曝光未转化数。样本不均严重影响了模型的效果，甚至影响到我们对模型好坏的判断，因为模型对占比比较高的类目准确率非常高，对占比很低的类目预估的偏差特别大，但是由于占比较高的类目对loss/metric影响较大，我们会认为得到了一个较优的模型。比如像是异常检测问题，我们直接返回没有异常，也能得到一个很高的准确率。

03

mlr3基础（二）

机器学习流程 source: https://mlr3book.mlr-org.com/images/ml_abstraction.svg

01

关于处理样本不平衡问题的Trick整理

关键字全网搜索最新排名【机器学习算法】：排名第一【机器学习】：排名第一【Python】：排名第三【算法】：排名第四转自：小象在银行欺诈检测、实时竞价或网络入侵检测等领域通常是什么样的数据集

06

干货整理：处理不平衡数据的技巧总结！收好不谢

文：Rick Radewagen 译：李萌在银行欺诈检测，市场实时竞价或网络入侵检测等领域通常是什么样的数据集呢？在这些领域使用的数据通常有不到1％少量但“有趣的”事件，例如欺诈者利用信用卡，用户

机器学习Caret--R处理不平衡数据

不平衡数据集指的是数据集各个类别的样本数目相差巨大，例如2000的人群中，某疾病的发生只有100 (5%)人，那么疾病发生与不发生为 1：19。这种情况下的数据称为不平衡数据。在真实世界中，不管是二分类或三分类，不平衡数据的现象普遍存在，尤其是罕见病领域。

02

你真的了解模型评估与选择嘛

前面几讲我们基于数据分析师需要掌握的基本技能，从SQL出发，学习了统计学的基本知识，在系统层面基本讲完了数据分析师需要具备的能力。下面几讲，我们会围绕数据挖掘工程师需具备的知识体系展开，今天会着重介绍机器学习中模型评估与选择的基础知识。

03

R语言梯度提升机 GBM、支持向量机SVM、正则判别分析RDA模型训练、参数调优化和性能比较可视化分析声纳数据|附代码数据

调整模型的第一步是选择一组要评估的参数。例如，如果拟合偏最小二乘 (PLS) 模型，则必须指定要评估的 PLS 组件的数量。

00

R语言梯度提升机 GBM、支持向量机SVM、正则判别分析RDA模型训练、参数调优化和性能比较可视化分析声纳数据

调整模型的第一步是选择一组要评估的参数。例如，如果拟合偏最小二乘 (PLS) 模型，则必须指定要评估的 PLS 组件的数量。

02

图解 72 个机器学习基础知识点

来源：尤而小屋 R语言统计与绘图本文约5500字，建议阅读11分钟本文梳理了机器学习最常见的知识要点。图解机器学习算法系列以图解的生动方式，阐述机器学习核心知识 & 重要模型，并通过代码讲通应用细节。 1. 机器学习概述 1）什么是机器学习人工智能（Artificial intelligence）是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。它是一个笼统而宽泛的概念，人工智能的最终目标是使计算机能够模拟人的思维方式和行为。大概在上世纪50年代，人工智能开始

03

图解 72 个机器学习基础知识点

人工智能（Artificial intelligence）是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。它是一个笼统而宽泛的概念，人工智能的最终目标是使计算机能够模拟人的思维方式和行为。

01

图解 72 个机器学习基础知识点

人工智能（Artificial intelligence）是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。它是一个笼统而宽泛的概念，人工智能的最终目标是使计算机能够模拟人的思维方式和行为。

02

周志华《机器学习》第2章部分笔记

①误差(error)：学习器的预测输出与样本的真实输出之间的差异 ②训练误差(training error)或经验误差(empirical error)：在训练集上的误差 ③测试误差(test error)：在测试集上的误差 ④泛化误差(generalization error)：学习器在所有新样本上的误差 ⑤过拟合(overfitting)：学习能力过于强大，把训练样本自身的一些特点当成所有潜在样本都会有的一般性质，导致泛化能力下降 ⑥欠拟合(underfitting)：学习能力太差，对训练样本的一般性质尚未学好在过拟合问题中，训练误差很小，但测试误差很大；在欠拟合问题中，训练误差和测试误差都比较大。目前，欠拟合问题容易克服，如在决策树中扩展分支，在神经网络中增加训练轮数；但过拟合问题是机器学习面临的关键障碍。 ⑦模型选择：在理想状态下，选择泛化误差最小的学习器。

03

译文 | 在使用过采样或欠采样处理类别不均衡数据后，如何正确做交叉验证？

最近读的一篇英文博客，讲的很不错，于是便抽空翻译成了中文。 [关于我在这篇文章中使用的术语可以在 Physionet （http://www.physionet.org/pn6/tpehgdb/）网站中找到。本篇博客中用到的代码可以在 github（https://github.com/marcoalt/Physionet-EHG-imbalanced-data）中找到] 几个星期前我阅读了一篇交叉验证的技术文档（Cross Validation Done Wrong）（http://www.alfred

06

《机器学习》学习笔记（二）——模型评估与选择

错误率(error rate)：分类错误的样本占样本总数的比例精度(accuracy)：1 - 错误率误差(error)：学习器的实际预测输出与样本的真实输出之间的差异错误率和精度相反 (错误率+精度=1) 训练误差(training error)(即经验误差(empirical error))：学习器在训练集上的误差泛化误差(generalization error)：在新样本（即测试样本）上的误差

01

数据科学31 |机器学习-模型评价

在二元预测中，通常会估计样本出现其中一种结局（如阳性）的概率，需要找到一个常数，即阈值（threshold）或门槛值（cutoff value），若概率值大于阈值，则预测为阳性。通过变动这一阈值，可以改变预测的特异性和灵敏度。

01

评估方法详解

模型评价是指对于已经建立的一个或多个模型，根据其模型的类别，使用不同的指标评价其性能优劣的过程。常用的聚类模型评价指标有ARI评价法（兰德系数）、AMI评价法（互信息）、V-measure评分、FMI评价法和轮廓系数等。常用的分类模型评价指标有准确率（Accuracy）、精确率（Precision）、召回率（Recall）、F1值（F1 Value）、ROC和AUC等。常用的回归模型评价指标有平均绝对误差、均方根误差、中值绝对误差和可解释方差值等。

03

精确控制数据模型误差（下）

有各种各样的方法试图衡量候选模型和真实模型之间有多少信息丢失的模型误差。当然，真正的模型（实际用于生成数据）是未知的，但是给定某些假设，我们仍然可以获得它与我们提出的模型之间的差异的估计。对于给定的问题，该差异越大，误差越高，并且测试模型越差。

01

100+数据科学面试问题和答案总结 - 基础知识和数据分析

来自Amazon，google，Meta, Microsoft等的面试问题，问题很多所以对问题进行了分类整理，本文包含基础知识和数据分析相关问题

02

处理非平衡数据的七个技巧

摘要：本文介绍了在入侵检测、实时出价等数据集非常不平衡的领域应用的数据处理技术。关键字：平衡数据，数据准备，数据科学原文：7 Techniques to Handle Imbalanced Data http://www.kdnuggets.com/2017/06/7-techniques-handle-imbalanced-data.html 作者：Ye Wu & Rick Radewagen, IE Business School. 译者：王安阳介绍在例如银行欺诈检测、市场实时出价、网络

02

深度 | 机器学习中的模型评价、模型选择及算法选择

作者：Sebastian Raschka 翻译：reason_W 编辑：周翔简介正确使用模型评估、模型选择和算法选择技术无论是对机器学习学术研究还是工业场景应用都至关重要。本文将对这三个任务的相关技术进行回顾，并就每种技术的理论和实证研究的主要优缺点进行讨论。文章还将就机器学习算法中的超参数调优给出尽可能的建议，用以实现最佳的算法效果。文中内容涉及很多常用方法，比如模型评估和选择中的Holdout方法等；介绍了bootstrap技术的不同变体，通过正态逼近得到置信区间来衡量性能估计（performa

04

基于 mlr 包的 K 最近邻算法介绍与实践（下）

在上期 KNN 算法介绍的最后，我们指出：使用最初用来训练模型的数据进行预测的方式来评估模型性能是不合理的。本期将以上期的内容和数据为基础，介绍交叉验证的方法来评估模型性能、如何选择参数 k 来优化模型等内容。

04

《机器学习》-- 第二章：模型评估与选择

(1) 误差：学习器的实际预测输出与样本的真实输出之间的差异；其中学习器在训练集上的误差称为”训练误差“（training error），在新样本上的误差称为”泛化误差“（generalization error）。值得一提的是，学习器就是在训练集上训练出来的，但实际上在回到训练集上对样本预测结果时，仍有误差。（即结果值与标记值不同）

03

Scikit-learn 核心开发人员专访：建立机器学习工作流最容易犯这2点错误

本文是一篇对 Scikit-learn 开发者的专访，原载于 towardsdatascience，我们对其进行了编译整理，采访内容如下文。

03

深度学习500问——Chapter02：机器学习基础（3）

2. 投影思想：找出最能够代表原始数据的投影方法。被PCA降掉的那些维度只能是那些噪声或是冗余的数据。

01

使用重采样评估Python中机器学习算法的性能

你需要知道你的算法在看不见的数据上表现如何。

Scikit-learn 核心开发人员专访：建立机器学习工作流最容易犯这2点错误

本文是一篇对 Scikit-learn 开发者的专访，原载于 towardsdatascience，我们对其进行了编译整理，采访内容如下文。

01

面试腾讯，基础考察太细致。。。

在不平衡数据集中，某些类别的样本数量远多于其他类别，这会导致模型更倾向于预测多数类，而忽略少数类。

01

算法工程师-机器学习面试题总结(1)

损失函数是在机器学习和优化算法中使用的一种衡量模型预测结果与真实值之间差异的函数。其目标是最小化模型的预测误差，从而提高模型的性能。

02

NeuroImage:基于脑电和结构MRI的AD和轻度认知障碍机器学习分类研究

《本文同步发布于“脑之说”微信公众号，欢迎搜索关注~~》 1. 背景阿尔茨海默氏病（AD）是引起痴呆症的主要原因，约占全世界病例的70％。到2050年，痴呆症的发病率将增加两倍，大多数新病例将出现在在中低收入国家。轻度认知障碍（MCI）是健康和痴呆症之间的一个阶段，其特征是认知缺陷但不影响日常生活。MCI患者罹患痴呆症的风险增加，在5年内平均进展率为39％。目前迫切需要低成本，可普及的方法来促进早期痴呆症的发现。脑电图（EEG）由于其低成本和便携性而具有解决这一需求的潜力。近期，发表在《NeuroImage》杂志的一项研究收集了老年AD患者（55岁），健忘性MCI（aMCI）和健康对照组（每组约60名）的静息状态EEG，结构MRI（sMRI）和大量的神经心理学数据，在此基础上评估了AD和aMCI分类的一系列候选EEG标记（即频段功率和功能连接），并将其分类性能与sMRI进行了比较。该研究还测试了脑电图联合认知量表分类模型。在对AD进行分类时，sMRI的表现优于静息状态EEG（AUCs分别为1.00和0.76）。但EEG和sMRI都只能较好地区分aMCI和健康老年人（AUCs=0.67–0.73），而且两种方法均未达到70％以上的灵敏度。相对于单独使用MMSE评分，EEG联合MMSE评分并没有优势。该研究是脑电图和sMRI对AD和aMCI分类的首次直接比较。 2.方法 2.1研究群体从Dokuz Eylul大学神经病学系的门诊招募了AD（n=118）和aMCI的老年人（n=134）。利用各种社区资源中招募健康的老年人（n=198；55岁及以上），包括在公共会议和大学广告牌上发布公告。AD诊断是根据美国衰老和老年痴呆症协会（NIA-AA）的标准做出的。AD患者的纳入标准是：a）隐匿性发作；b）日常功能受损（临床痴呆评分（CDR）评分为1）；c）两个或多个认知领域的损害；d）排除谵妄，痴其他原因引起的呆和其他主要精神疾病等。根据NIA-AA标准进行了aMCI诊断。 2.2诊断标准所有受试者均通过一系列全面的神经心理学测试进行评估，旨在通过以下测试评估言语和视觉情景记忆、注意力、执行功能、视觉空间技能和语言：MMSE、Oktem口头记忆能力测试（OVMPT）、韦氏记忆量表修订版（WMS-R）数字跨度测试、口语流利性测试（语义）、波士顿命名测试（BNT）和CDR量表。使用了Yesavage老年抑郁量表排除抑郁。最后，所以受试者进行了神经、神经影像和实验室检查。 2.3EEG数据获取根据国际10-20系统，将30个Ag / AgCl电极放在弹性帽（Easy-Cap；Brain Products GmbH；Gilching，德国）上记录脑电图，连接的耳垂电极（A1+A2）作为参考。记录室是电屏蔽的，声音衰减并且光线昏暗。从右眼的内侧上眼眶边缘和外侧眼眶边缘记录眼电图（EOG）。所有电极阻抗均小于10kΩ。脑电图和EOG通过带有0.03–70 Hz带通滤波器的Brain Amp 32通道DC系统机器进行放大，并以500 Hz的采样率在线数字化（Brain Products GmbH；Gilching，德国）。记录EEG：睁眼（EO）4分钟，闭眼（EC）4分钟。 2.4EEG数据预处理 EEGLAB结合FASTER插件进行预处理。将数据在0.1到70 Hz之间进行带通滤波，在50 Hz处陷波滤波，并以所有头皮电极为参考取平均。然后将其提取为2 s的数据段。FASTER删除了包含大伪迹（例如肌肉抽搐）和信号质量较差的内插通道数据。还使用FASTER自动识别了伪迹（即非神经）独立成分，并将其从数据中自动删除。然后视检数据质量，并去除任何残留的杂乱含噪数据。去除受额外噪声影响的42例数据（16AD,13aMCI,13HC）。剩余408例数据（102AD, 121aMCI, 185HC）。闭眼状态下，预处理和视检去除数据平均百分数为6.38%（SD=2.78%, median=5.23%,range=2.08-23.03%），睁眼状态为6.67%（SD=5.91%,median=4.85%,range=2.08-26.88%）。闭眼状态，去除的独立成分平均数为2.73（SD=0.92, MEDIAN=3,RANGE=1-5），闭眼脑电最终平均时长225s，（SD=9.89S,MEDIAN=227.46S,RANGE=184.72-235），睁眼脑电为224s，（SD=12.72S,MEDIAN=228.35,RANGE=175.48-235）。 2.5脑电频段和功率比计算使用具有Hann窗和0.5 Hz频率分辨率的多窗谱估计，对30个头皮电极上的绝对和相对功率进行谱分析。分别计算受试者睁眼和闭眼时脑电的功率，以探索这两种唤醒状态之间的潜在差异。包括以

00

机器学习（十二）交叉验证实例

假设有个未知模型具有一个或多个待定的参数，且有一个数据集能够反映该模型的特征属性（训练集）。

02

机器学习概述与算法介绍(二)

机器学习概述机器学习基本概念机器学习基本流程与工作环节机器学习中的评估指标机器学习算法一览 3. 机器学习基本流程与工作环节 3.1 机器学习应用几大环节预测模型 image 机器学习算法

03

图解机器学习 | 机器学习基础知识

教程地址：http://www.showmeai.tech/tutorials/34

02

使用Scikit-learn实现分类（MNIST）

这是我学习hands on ml with sklearn and tf 这本书做的笔记，这是第三章

00

《机器学习》笔记-模型评估与选择（2）

作者：刘才权编辑：赵一帆写在最前面如今机器学习和深度学习如此火热，相信很多像我一样的普通程序猿或者还在大学校园中的同学，一定也想参与其中。不管是出于好奇，还是自身充电，跟上潮流，我觉得都值得试一试。对于自己，经历了一段时间的系统学习（参考《机器学习/深度学习入门资料汇总》），现在计划重新阅读《机器学习》[周志华]和《深度学习》[Goodfellow et al]这两本书，并在阅读的过程中进行记录和总结。这两本是机器学习和深度学习的入门经典。笔记中除了会对书中核心及重点内容进行记录，同时，也会增加自己的

06

《Scikit-Learn与TensorFlow机器学习实用指南》第3章分类

在第一章我们提到过最常用的监督学习任务是回归（用于预测某个值）和分类（预测某个类别）。在第二章我们探索了一个回归任务：预测房价。我们使用了多种算法，诸如线性回归，决策树，和随机森林（这个将会在后面的章节更详细地讨论）。现在我们将我们的注意力转到分类任务上。

01

万字长文总结机器学习的模型评估与调参，附代码下载

选自 Python-Machine-Learning-Book On GitHub

04

《Scikit-Learn与TensorFlow机器学习实用指南》第3章分类

第3章分类来源：ApacheCN《Sklearn 与 TensorFlow 机器学习实用指南》翻译项目译者：@时间魔术师校对：@Lisanaaa @飞龙在第一章我们提到过最常用的监督学习任务是回归（用于预测某个值）和分类（预测某个类别）。在第二章我们探索了一个回归任务：预测房价。我们使用了多种算法，诸如线性回归，决策树，和随机森林（这个将会在后面的章节更详细地讨论）。现在我们将我们的注意力转到分类任务上。 MNIST 在本章当中，我们将会使用 MNIST 这个数据集，它有着 70000

07

8种交叉验证类型的深入解释和可视化介绍

交叉验证（也称为“过采样”技术）是数据科学项目的基本要素。它是一种重采样过程，用于评估机器学习模型并访问该模型对独立测试数据集的性能。

01

算法研习：机器学习中的K-Fold交叉验证

在我们训练机器学习模型时，为提高模型拟合效果，经常使用K-Fold交叉验证，这是提高模型性能的重要方法。在这篇文章中，我们将介绍K-Fold交叉验证的基本原理，以及如何通过各种随机样本来查看数据。

01

数据集划分的三种常见方式！

数据集划分算是在数据分析建模中比较重要的，模型的好坏不但和训练数据有关，还和测试数据有关，当然，也和评估指标有关，不过今天先来看前者。

02

你知道这11个重要的机器学习模型评估指标吗?

【磐创AI导读】：评估一个模型是建立一个有效的机器学习模型的核心部分，本文为大家介绍了一些机器学习模型评估指标，希望对大家有所帮助。想要获取更多的机器学习、深度学习资源，欢迎大家点击上方蓝字关注我们的公众号：磐创AI。

04

万字长文总结机器学习的模型评估与调参，附代码下载

“管道工作流”这个概念可能有点陌生，其实可以理解为一个容器，然后把我们需要进行的操作都封装在这个管道里面进行操作，比如数据标准化、特征降维、主成分分析、模型预测等等，下面还是以一个实例来讲解。

02

模型评估

知识点：准确率（Accuracy）,精确率（Precision）,召回率（Recall）,均方根误差（RMSE）

04

Python机器学习·微教程

所以这个教程既不是python入门，也不是机器学习入门。而是引导你从一个机器学习初级开发者，到能够基于python生态开展机器学习项目的专业开发者。

02

通俗易懂--模型集成(多模型)讲解(算法+案例)

我们都知道信用卡，能够透支一大笔钱来供自己消费，正因为这一点，不法分子就利用信用卡进一特性来实施欺诈行为。银行为了能够检测出这一欺诈行为，通过机器学习模型进行智能识别，提前冻结该账户，避免造成银行的损失。那么我们应该通过什么方式来提高这种识别精度呢！这就是今天要说的主题，多模型融合预测。使用到的模型算法有：KNN、SVM、Logistic Regression(LR)、Random Forest。

03

R 交叉验证①

什么是交叉验证？在机器学习中，交叉验证是一种重新采样的方法，用于模型评估，以避免在同一数据集上测试模型。交叉验证的概念实际上很简单:我们可以将数据随机分为训练和测试数据集，而不是使用整个数据集来训练和测试相同的数据。交叉验证方法有几种类型LOOCV - leave -one- out交叉验证，holdout方法，k - fold交叉验证。 K折交叉验证(k-fold cross-validation)首先将所有数据分割成K个子样本，不重复的选取其中一个子样本作为测试集，其他K-1个样本用来训练。共重复K次，

03

Neuro-Oncology：对脑胶质瘤IDH突变状态进行分类的一种新型的基于MRI的全自动深度学习算法

异柠檬酸脱氢酶（Isocitrate dehydrogenase, IDH）突变状态已成为神经胶质瘤的重要预后标志。当前，可靠的IDH突变诊断需要侵入性外科手术。该研究的目的是使用T2加权（T2w）MR图像开发高度精确的、基于MRI的、基于体素的深度学习IDH分类网络，并将其性能与基于多模态数据的网络进行比较。研究人员从癌症影像档案馆（The Cancer Imaging Archive，TCIA）和癌症基因组图谱（The Cancer Genome Atlas，TCGA）中获得了214位受试者（94位IDH突变，120位IDH野生型）的多参数脑MRI数据和相应的基因组信息。他们开发了两个单独的网络，其中包括一个仅使用T2w图像的网络（T2-net）和一个使用多模态数据（T2w，磁共振成像液体衰减反转恢复序列（FLAIR）和T1 postcontrast）的网络（TS-net），以执行IDH分类任务和同时进行单标签肿瘤分割任务。本文使用3D的Dense-UNets的架构。使用三折交叉验证泛化网络的性能。同时使用Dice系数评估算法分割肿瘤的精度。T2-net在预测IDH突变状态任务上表现出97.14％±0.04的平均交叉验证准确率，灵敏度为0.97±0.03，特异性为0.98±0.01，曲线下面积（AUC）为0.98±0.01。TS-net的平均交叉验证准确性为97.12％±0.09，灵敏度为0.98±0.02，特异性为0.97±0.001，AUC为0.99±0.01。T2-net的肿瘤分割Dice系数的平均得分为0.85±0.009，TS-net的肿瘤分割Dice系数的平均得分为0.89±0.006。

05

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

扫码加入开发者社群

相关资讯

热门标签

活动推荐

运营活动

活动名称

广告关闭