笔记 - tensorflow用法：对独热编码分类结果进行评估

最新推荐文章于 2024-01-12 12:05:57 发布
原创 最新推荐文章于 2024-01-12 12:05:57 发布 · 1.2k 阅读 · 2
本文介绍如何在TensorFlow中对经过独热编码的分类结果进行准确率评估，通过比较预测分类与实际分类的矩阵差异来计算准确率。

数据结构：

真实分类矩阵 与 预测分类矩阵
一行表示一个样本，列数表示分类总数
矩阵中的值 表示当前样本属于类别 i(列序号) 的概率

流程

统计两个矩阵有有多少行不同，输出占比（不过这里的行比较特殊）

给出样本集的预测分类与实际分类（独热编码）
评估准确率
“”"
统计两个矩阵多少行不同
比较每行 1 所在的列序号，一致为1，不一致为0
最后得到一个01数组，加和求平均即为准确率
“”"

  • 语法知识
    • argmax – 返回指定维度上最大值的索引
    • equal – 对应位置上的数值是否一致
    • cast – 把容器中的布尔值转换成0 1
    • reduce_mean --求加和平均
    • …
import tensorflow as tf

y = tf.constant([[0,
最低0.47元/天 解锁文章
pytorch 将标签转为one-hot编码
weixin_49710179的博客
03-24 1795
将标签转为one-hot编码 我定义为一个函数,返回为布尔值，需要类型转换 def one_hot(label, N=None): # 对标签进行独热编码 label = np.asarray(label) # np.asarray() 对于传入list为深拷贝， 传入array为浅拷贝，即改变传入的值，拷贝的数据会跟着变化 if N is None: N = ind.max() + 1 return np.arange(N) == np.repea
「机器学习速成」数据预处理，特征工程，良好特征的特点
喜欢打酱油的老鸟
06-23 673
https://www.toutiao.com/a6703863693408469516/ 大家好，今天我们学习【机器学习速成】之 数据预处理，特征工程，良好特征的特点 我们马上学三点， 特征工程,从原始数据到特征 良好特征的特点 如何了解数据 大家可以点击下面的“了解更多”，或搜索“马上学123”， 在线观看PPT讲义。 特征工程 机器学习模型不能直接看到、听到或...
【分类指标】如何评估多分类（二分类）算法、Acc、Precision、Recall、F1详解
Danger的博客
02-22 1万+
【分类评价指标】如何评估多（二）分类算法的性能：Acc、Precision、Recall、F1等
tensorflow 二分类、多分类指标评价
snowleopard_bin的博客
06-26 1558
我用的是tensorflow 2.5，搜索网上的教程大部分说用的是tf.keras.metrics中的api，但是经过实验发现都用不了，如今tensorflow 2.5可能不支持这些api了。 于是我采用sklearn库的函数实现二分类问题和多分类问题的评价指标计算。 f1_score, precision_score, recall_score, accuracy_score 二分类问题 # binary classify from sklearn.metrics import confusio
独热码检测
weixin_44101336的博客
07-28 1503
然后我们再将A取反，然后~A在和P按位或，如果得到全为1的数据，则为独热码。如果不全为1则不是独热码（除A为零的情况）A序列为第i位为1的独热码则P的第i位到N-1位应该全为1，0到i-1位应该全部为0；将该数的所有bit相加，若和为1，则说明该数据为独热码；当序列不为独热码时得到的P不具有这样的性质；......
Tensorflow之softmax多分类(顺序编码|独热编码)
m0_64578069的博客
01-12 2266
对数几率回归解决的是二分类的问题，但对于多个选项的问题，我们可以使用softmax函数它是对数几率回归在N 个可能不同的值上的推广。神经网络的原始输出并不是一个概率值，实质上只是对输入的数值做了加权与非线性处理之后的值而已，那么如何将输出转换为概率分布？这就引入了softmax层。softmax激活要求每个样本必须属于某个类别，且所有可能的样本均被覆盖，softmax各样本分量之和为 1；当只有两个类别时，与对数几率回归（二分类）完全相同。
tensorflow one-hot独热编码
yeler082的博客
05-20 3599
1 基本概念 解释下什么叫做独热编码（one-hot encoding），独热编码一般是在有监督学习中对数据集进行标注时候使用的，指的是在分类问题中，将存在数据类别的那一类用X表示，不存在的用Y表示，这里的X常常是1， Y常常是0。，举个例子： 比如我们有一个5类分类问题，我们有数据，其中类别有五种取值（因为是五类分类问题），所以如果为第一类那么其独热编码为：[1,0,0,0...
TensorFlow-softmax分类 独热编码
qq_37802398的博客
02-20 756
对数几率回归解决的是二分类的问题， 对于多个选项的问题，我们可以使用softmax函数，它是对数几率回归在 N 个可能不同的值上的推广。 神经网络的原始输出不是一个概率值，实质上只是输入的数值做了复杂的加权和（乘以w+b）与非线性处理之后的一个值而已，那么 如何将这个输出变为概率分布？ -这就是Softmax层的作用了 softmax要求每个样本必须属于某个类别，且所有可能的样本...
tensorflow独热编码方法_tf.one_hot()用法 独热编码
weixin_35656078的博客
12-30 1637
tf.one_hot()进行独热编码首先肯定需要解释下什么叫做独热编码(one-hot encoding)，独热编码一般是在有监督学习中对数据集进行标注时候使用的，指的是在分类问题中，将存在数据类别的那一类用X表示，不存在的用Y表示，这里的X常常是1， Y常常是0。举个例子：比如我们有一个5类分类问题，我们有数据(Xi,Yi)，其中类别Yi有五种取值(因为是五类分类问题)，所以如果Yj为第一类那么...
One-hot编码
healer的博客
03-23 6565
什么是Onehot编码？onehot编码又叫独热编码，其为一位有效编码，主要是采用N位状态寄存器来对N个状态进行编码，每个状态都由他独立的寄存器位，并且在任意时候只有一位有效。 Onehot编码是分类变量作为二进制向量的表示。这首先要求将分类值映射到整数值。然后，每个整数值被表示为二进制向量，除了整数的索引之外，它都是零值，它被标记为1。 举个例子： 在机器学习算法中，我们经常会遇到分类特征。 例如：人的性别有男女，祖国有中国，美国，法国等。这些特征值并不是连续的，而是离散的，无序的。 通常我们需要对其
图像基本分类问题（TensorFlow2）
l2l666的博客
04-26 1550
利用TensorFlow进行Fashion MNIST数据集的基本分类问题 图像标签及对应的类别 label class 0 T-shirt/top（T-恤） 1 Trouser （裤子） 2 Pullover （套衫） 3 Dress（连衣裙） 4 Coat（大衣） 5 Sandal （凉鞋） 6 Skirt（衬衫） 7 Sneaker（运动鞋） ...
tensorflow学习笔记：分类学习
qq_60143666的博客
03-18 800
用tensorflow实现一个手写数字数据集的分类问题：
keras、TensorFlow输出中间层结果的4种方法
selectopti的博客
04-21 9012
深度学习本质上是表示学习，它通过多层非线性神经网络模型从底层特征中学习出对具体任务而言更有效的高级抽象特征。针对一个具体的任务，我们往往会遇到这种情况：需要用一个针对特定任务已经被训练好的模型学习出特征表示，然后将学习出的特征表示作为另一个模型的输入。这就要求我们会获取模型中间层的输出，下面以具体代码形式介绍两种具体方法。深度学习具有强大的特征表达能力。有时候我们训练好分类模型，并不想用来进行分类，而是用来提取特征用于其他任务，比如相似图片计算。接下来讲下如何使用TensorFlow提取特征。 1.必须在模
kaggle使用保存的tensorflow模型运行输出测试结果
weixin_45564209的博客
08-24 1138
如果不用加载的模型，用自己训练的模型，那会有类似这样的代码 def Generator(): inputs = tf.keras.layers.Input(shape=(256, 256, 3)) down_stack = [ down(64, 4, apply_bn=False), #128*128*64 down(128, 4), #64*64*128 down(256, 4),
什么是过拟合 (Overfitting) 、解决方法、代码示例（tensorflow实现）
qq_42016781的博客
12-29 2625
过于自负 在细说之前, 我们先用实际生活中的一个例子来比喻一下过拟合现象. 说白了, 就是机器学习模型于自信. 已经到了自负的阶段了. 那自负的坏处, 大家也知道, 就是在自己的小圈子里表现非凡, 不过在现实的大圈子里却往往处处碰壁. 所以在这个简介里, 我们把自负和过拟合画上等号 回归分类的过拟合 机器学习模型的自负又表现在哪些方面呢. 这里是一些数据. 如果要你画一条线来描述这些数据, 大...
tensorflow 保存模型预测测试集分类结果
笔记小屋
07-20 1万+
Mnist分类模型—保存训练模型并参与预测测试集这篇文档开始讲解利用mnist语料集做的例子来熟悉保存训练模型的参数用来做预测，首先会出贴出保存模型的案例代码，然后会贴出预测的代码。
【127】TensorFlow对特征值分箱并使用独热编码
zhangchao19890805的专栏
10-15 3180
我使用加利福尼亚州房价数据来作例子。训练集和验证集用到的CSV文件在这里：https://download.csdn.net/download/zhangchao19890805/10584496 测试集用到的CSV文件在这里： https://download.csdn.net/download/zhangchao19890805/10631336 在实际应用的时候，许多特征值和标签之间不是线性...
使用TensorFlow实现二分类
热门推荐
修炼之路
10-23 3万+
使用TensorFlow构建一个神经网络来实现二分类，主要包括输入数据格式、隐藏层数的定义、损失函数的选择、优化函数的选择、输出层。下面通过numpy来随机生成一组数据，通过定义一种正负样本的区别，通过TensorFlow来构造一个神经网络来实现二分类。 一、神经网络结构 输入数据：定义输入一个二维数组（x1,x2），数据通过numpy来随机产生，将输出定义为0或1，如果x1+x2<1,...
Tensorflow中Classification分类学习
Microstrong
05-12 2401
这次我们会介绍如何使用Tensorflow解决Classification（分类）问题。在之前的文章中介绍的都是Regression（回归）问题。分类和回归的区别在于输出变量的类型上。通俗理解定量输出是回归，或者说是连续变量预测；定性输出是分类，或者说是离散变量预测。如预测房价这是一个回归任务；把东西分成几类，比如猫狗猪牛，就是一个分类任务。一、MNIST数据。首先准备数据（MNIST库）from...
TensorFlow学习笔记（二）把数字标签转化成onehot标签
羊和咩咩的博客
09-09 2万+
在MNIST手写字数据集中，我们导入的数据和标签都是预先处理好的，但是在实际的训练中，数据和标签往往需要自己进行处理。以手写数字识别为例，我们需要将0-9共十个数字标签转化成onehot标签。例如：数字标签“6”转化为onehot标签就是[0，0，0，0，0，0，1，0，0，0].首先获取需要处理的标签的个数：batch_size = tf.size(labels)假设输入了6张手写字图片，那么对应
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值