در این مطلب، ویدئو مفهوم امتیاز F1 و پیاده سازی پایتون | شروع کار با یادگیری ماشینی با زیرنویس فارسی را برای دانلود قرار داده ام. شما میتوانید با پرداخت 15 هزار تومان ، این ویدیو به علاوه تمامی فیلم های سایت را دانلود کنید.اکثر فیلم های سایت به زبان انگلیسی می باشند. این ویدئو دارای زیرنویس فارسی ترجمه شده توسط هوش مصنوعی می باشد که میتوانید نمونه ای از آن را در قسمت پایانی این مطلب مشاهده کنید.
مدت زمان فیلم: 00:09:27
تصاویر این ویدئو:
قسمتی از زیرنویس این فیلم:
00:00:00,000 –> 00:00:01,500
سلام به همه نام من طعنه آمیز است با
2
00:00:01,500 –> 00:00:04,410
یک ویدیوی دیگر و این 15 ویدیو
3
00:00:04,410 –> 00:00:05,580
در شروع با
4
00:00:05,580 –> 00:00:07,290
لیست پخش یادگیری ماشینی است و در این ویدیو
5
00:00:07,290 –> 00:00:09,960
شما قرار است امتیاز f1 را یاد بگیرید پس بیایید
6
00:00:09,960 –> 00:00:11,730
شروع کنیم بنابراین در این آموزش
7
00:00:11,730 –> 00:00:13,620
f1 را پوشش خواهیم داد.
8
00:00:13,620 –> 00:00:15,660
دقت ماتریس سردرگمی امتیاز و یادآوری
9
00:00:15,660 –> 00:00:17,699
پیش نیاز این آموزش است، بنابراین اگر
10
00:00:17,699 –> 00:00:19,260
میخواهید با این آموزش شروع کنید،
11
00:00:19,260 –> 00:00:20,850
به درک اولیه
12
00:00:20,850 –> 00:00:22,380
ماتریس سردرگمی و دقت و
13
00:00:22,380 –> 00:00:23,820
یادآوری آن نیاز دارید، اگر نمیدانید
14
00:00:23,820 –> 00:00:25,140
ویدیوی سیزدهم و چهاردهم را در من بررسی کنید.
15
00:00:25,140 –> 00:00:26,640
با لیست پخش ML شروع شد.
16
00:00:26,640 –> 00:00:29,010
امتیاز f1 در تجزیه و تحلیل
17
00:00:29,010 –> 00:00:32,098
آماری طبقهبندی باینری چیست.
18
00:00:32,098 –> 00:00:35,100
امتیاز f1 معیاری برای دقت آزمون است.
19
00:00:35,100 –> 00:00:37,020
20
00:00:37,020 –> 00:00:39,390
21
00:00:39,390 –> 00:00:42,570
22
00:00:42,570 –> 00:00:47,309
از 0 تا 1 قرار دارد، بنابراین میتوانیم آن
23
00:00:47,309 –> 00:00:51,420
را با احتمال 0 200 درصد فرض کنیم و در
24
00:00:51,420 –> 00:00:53,760
طبقهبندی باینری خوب است، بنابراین وقتی
25
00:00:53,760 –> 00:00:55,379
مشکل طبقهبندی باینری را
26
00:00:55,379 –> 00:00:58,649
دارید میتوانید دقت مدل
27
00:00:58,649 –> 00:01:00,899
شما را به شما می دهد، بنابراین دقت تست شما را به شما می دهد
28
00:01:00,899 –> 00:01:02,699
نه دقت آموزش،
29
00:01:02,699 –> 00:01:05,280
ما بعداً آن را پیدا خواهیم کرد، بنابراین
30
00:01:05,280 –> 00:01:07,080
دقت تست شما را به شما می دهد
31
00:01:07,080 –> 00:01:09,930
و امتیاز f1 نیز به
32
00:01:09,930 –> 00:01:12,090
عنوان میانگین هارمونیک شناخته می شود. رکود در
33
00:01:12,090 –> 00:01:14,580
یادآوری اینجاست که امتیاز f1
34
00:01:14,580 –> 00:01:16,710
بین 0 و 1 محاسبه میشود، بنابراین
35
00:01:16,710 –> 00:01:18,689
امتیاز f1 با این فرمول داده میشود، بنابراین
36
00:01:18,689 –> 00:01:22,290
امتیاز f1 برابر است با 2 به دقت در
37
00:01:22,290 –> 00:01:25,080
فراخوانی با دقت به علاوه فرمول یادآوری
38
00:01:25,080 –> 00:01:28,080
واقعاً Z است و برای این کار باید
39
00:01:28,080 –> 00:01:31,110
دقت در یادآوری را بیاموزید، بنابراین
40
00:01:31,110 –> 00:01:33,299
این پیش نیاز است، به همین دلیل است که
41
00:01:33,299 –> 00:01:34,560
به شما گفتم اگر در مورد آنها اطلاعاتی ندارید، آموزش های قبلی من را ارجاع دهید،
42
00:01:34,560 –> 00:01:36,869
43
00:01:36,869 –> 00:01:38,369
فقط می توانید با
44
00:01:38,369 –> 00:01:40,229
این یکی کنار بیایید، بنابراین اجازه دهید با یک مثال یاد بگیریم.
45
00:01:40,229 –> 00:01:42,630
بنابراین با فرض اینکه من برچسبهای خود را دارم و
46
00:01:42,630 –> 00:01:44,850
اینها برچسبهای پیشبینی شده من هستند، بنابراین
47
00:01:44,850 –> 00:01:46,710
هر زمان که برچسبها را دریافت کنم، میتوانم آن
48
00:01:46,710 –> 00:01:49,439
را متمایز کنم، بنابراین اول از همه ماتریس سردرگمی را پیدا میکنم، بنابراین
49
00:01:49,439 –> 00:01:52,649
50
00:01:52,649 –> 00:01:54,869
مثبتهای واقعی را به عنوان سه منفی واقعی
51
00:01:54,869 –> 00:01:56,670
و یک پوز نادرست دریافت میکنم. اتیو به صورت دو و
52
00:01:56,670 –> 00:01:59,009
منفی کاذب در 0 است، بنابراین ما به طور مشابه
53
00:01:59,009 –> 00:02:01,200
دقت و یادآوری را بدست می آوریم، بنابراین دقت
54
00:02:01,200 –> 00:02:02,729
برابر با مثبت های واقعی با مثبت های واقعی
55
00:02:02,729 –> 00:02:04,380
به اضافه مثبت های کاذب است
56
00:02:04,380 –> 00:02:06,270
که فرمول ارزیابی است
57
00:02:06,270 –> 00:02:08,610
به طور مشابه ما فراخوانی داریم که
58
00:02:08,610 –> 00:02:11,310
به عنوان حساسیت نیز شناخته می شود.
59
00:02:11,310 –> 00:02:12,720
فرمول توسط مثبت های واقعی با مثبت های واقعی
60
00:02:12,720 –> 00:02:13,800
61
00:02:13,800 –> 00:02:16,560
کمتر منفی های کاذب داده می شود و ما می گیریم و حالا
62
00:02:16,560 –> 00:02:19,440
آنها را باشگاه می کنیم تا آن یک امتیاز را به دست بیاورند بنابراین
63
00:02:19,440 –> 00:02:22,710
این همان است بنابراین ما 0.6 در 1.6 می گیریم و
64
00:02:22,710 –> 00:02:26,580
0.75 درصد می گیریم که 75٪ است بنابراین 75
65
00:02:26,580 –> 00:02:28,890
٪ دقت است. امتیاز مدل ما که می
66
00:02:28,890 –> 00:02:32,610
گوید 75 درصد از مواقع داده های تست من
67
00:02:32,610 –> 00:02:36,150
دقیق هستند و حالا اجازه
68
00:02:36,150 –> 00:02:38,130
دهید با پیاده سازی این
69
00:02:38,130 –> 00:02:39,960
مورد در پایتون ادامه دهیم بله، پس بیایید
70
00:02:39,960 –> 00:02:41,550
پیاده سازی را شروع کنیم تا
71
00:02:41,550 –> 00:02:43,350
من برای این کار خواهم بود. درست از
72
00:02:43,350 –> 00:02:45,780
ابتدا شروع کنم و نمیخواهم دریافت کنم،
73
00:02:45,780 –> 00:02:47,400
در واقع نمیخواهم شما
74
00:02:47,400 –> 00:02:49,590
درگیر رگرسیون لجستیک شوید، بنابراین در
75
00:02:49,590 –> 00:02:51,810
این منظر من میگویم که Y برابر است
76
00:02:51,810 –> 00:02:55,410
با من ابتدا دادهها را میسازم بنابراین 0 0 0 1 1
77
00:02:55,410 –> 00:02:58,260
1 که من است دادههای موجود در ویبراتوری که من
78
00:02:58,260 –> 00:03:01,350
میدهم و هفته 9 من اکنون
79
00:03:01,350 –> 00:03:03,390
شروع کنیم، بنابراین کاری که من انجام خواهم داد این است که
80
00:03:03,390 –> 00:03:05,010
از ابتدا شروع کنم تا
81
00:03:05,010 –> 00:03:07,680
بتوانید خیلی راحت با آن کنار بیایید، بنابراین
82
00:03:07,680 –> 00:03:11,310
میگویم ماتریس کلاس و سپس من
83
00:03:11,310 –> 00:03:12,990
یک تابع ایجاد خواهم کرد، بنابراین ابتدا
84
00:03:12,990 –> 00:03:14,370
با ماتریس سردرگمی شروع می کنم که
85
00:03:14,370 –> 00:03:17,400
اولین فاز در این مورد است، بنابراین
86
00:03:17,400 –> 00:03:21,930
ماتریس سردرگمی که دریافت می کنم دو پارامتر را می گیرد،
87
00:03:21,930 –> 00:03:26,060
بنابراین Y و Y Prime را می گیرد
88
00:03:26,150 –> 00:03:29,250
در غیر این صورت می توانم آنها را داخل خودش وصل کنم.
89
00:03:29,250 –> 00:03:31,760
چون نگران
90
00:03:31,760 –> 00