در این مطلب، ویدئو معیارهای طبقه بندی | ترسیم منحنی ROC با استفاده از پایتون | فراگیری ماشین 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: 00:21:04
تصاویر این ویدئو:
قسمتی از زیرنویس این فیلم:
00:00:00,000 –> 00:00:02,129
سلام و به ویدیوی دیگری خوش آمدید
2
00:00:02,129 –> 00:00:04,920
و در آخرین ویدیوی خود درباره
3
00:00:04,920 –> 00:00:07,259
درخت های تصمیم بحث کردیم و اینکه چگونه می توانیم
4
00:00:07,259 –> 00:00:09,780
درخت تصمیم را بر اساس یک مجموعه داده طبقه بندی کنیم یا به سادگی بسازیم
5
00:00:09,780 –> 00:00:11,820
و این دقیقاً همان چیزی است که
6
00:00:11,820 –> 00:00:13,230
روی آن کار کردیم و این همان کدی است که
7
00:00:13,230 –> 00:00:16,230
روی آن کار کردیم. حالا اگر به سراغ مدلهای دیگر برویم
8
00:00:16,230 –> 00:00:18,000
، برای ما بسیار مهم است که
9
00:00:18,000 –> 00:00:20,039
یاد بگیریم دقیقاً ماتریس طبقهبندی ما
10
00:00:20,039 –> 00:00:22,410
چیست؟
11
00:00:22,410 –> 00:00:25,050
12
00:00:25,050 –> 00:00:26,550
13
00:00:26,550 –> 00:00:29,160
14
00:00:29,160 –> 00:00:31,529
false false و دقیقاً همان جایی است
15
00:00:31,529 –> 00:00:33,540
که علت کار دقیقاً همان
16
00:00:33,540 –> 00:00:35,520
جایی است که ماتریس طبقه بندی وارد می شود
17
00:00:35,520 –> 00:00:37,500
و این دقیقاً همه فرمول
18
00:00:37,500 –> 00:00:39,629
هایی هستند که این مانند جدولی است که من
19
00:00:39,629 –> 00:00:42,809
از یک کتاب کپی می کنم و بنابراین این
20
00:00:42,809 –> 00:00:44,910
دقیقاً همان چیزی است که در آن وجود دارد. به این معنی است که محاسبه کنید
21
00:00:44,910 –> 00:00:47,039
آیا مدل در حال حاضر چیزی را پیشبینی کرده است
22
00:00:47,039 –> 00:00:48,300
، چندین فرمول
23
00:00:48,300 –> 00:00:50,760
برای محاسبه دقت یا
24
00:00:50,760 –> 00:00:52,800
نرخ طبقهبندی اشتباه یا نرخ مثبت کاذب ku +
25
00:00:52,800 –> 00:00:55,050
مدل شما وجود دارد و
26
00:00:55,050 –> 00:00:56,070
من از طریق e هر کدام و هر
27
00:00:56,070 –> 00:00:59,699
کدام یکی یکی پس بیایید به سمت راست حرکت کنیم،
28
00:00:59,699 –> 00:01:02,460
بنابراین قبل از هر چیز باید بفهمیم
29
00:01:02,460 –> 00:01:04,319
چه ماتریس های سردرگمی وجود دارد قبل از اینکه
30
00:01:04,319 –> 00:01:05,369
واقعاً بتوانیم به بخش بسیار
31
00:01:05,369 –> 00:01:08,520
مهم تر و پیچیده تر
32
00:01:08,520 –> 00:01:10,799
آن برویم منحنی ROC است. خیلی
33
00:01:10,799 –> 00:01:12,180
ساده است که
34
00:01:12,180 –> 00:01:14,070
در حال حاضر درک ماتریس سردرگمی
35
00:01:14,070 –> 00:01:15,900
36
00:01:15,900 –> 00:01:19,140
37
00:01:19,140 –> 00:01:20,970
38
00:01:20,970 –> 00:01:24,210
39
00:01:24,210 –> 00:01:26,100
چیست. اعضای ذهن نهایی خوب به
40
00:01:26,100 –> 00:01:29,340
این معنی است که بنابراین فرض کنید این
41
00:01:29,340 –> 00:01:31,650
درخت تصمیم را داشتیم که یک ها و صفرها را درست پیش بینی می کرد،
42
00:01:31,650 –> 00:01:33,210
بنابراین ما فقط دو
43
00:01:33,210 –> 00:01:35,610
کلاس داریم که به این معنی است که ماتریس مناسب ما
44
00:01:35,610 –> 00:01:38,040
دو به دو خواهد بود، بنابراین
45
00:01:38,040 –> 00:01:40,510
ما دو لیوان داریم، بنابراین نیاز داریم. در واقع
46
00:01:40,510 –> 00:01:43,090
ماتریس دو به دو ما، بنابراین ماتریس ما به این شکل خواهد بود
47
00:01:43,090 –> 00:01:44,920
، اما فرض کنید مدل ما
48
00:01:44,920 –> 00:01:46,930
پیشبینی میکرد شما میدانید که
49
00:01:46,930 –> 00:01:49,630
از سه کلاس پاسخ میدهد، بنابراین
50
00:01:49,630 –> 00:01:50,560
فرض کنید این یک کار طبقهبندی چند کلاسه بود،
51
00:01:50,560 –> 00:01:53,470
بنابراین رقابت ما ماتریس
52
00:01:53,470 –> 00:01:54,970
سه به سه افزایش می یابد و
53
00:01:54,970 –> 00:01:56,230
همه چیز و سپس واقعاً
54
00:01:56,230 –> 00:01:58,090
متفاوت است، بنابراین در حال حاضر بیایید سعی
55
00:01:58,090 –> 00:01:59,590
کنیم در واقع بفهمیم که این ماتریس واقعاً چه چیزی را
56
00:01:59,590 –> 00:02:03,310
به ما می گوید، قبل از هر
57
00:02:03,310 –> 00:02:05,350
چیز می خواهیم جلو برویم و شکل مثبت و
58
00:02:05,350 –> 00:02:08,619
منفی را روی محور y بنویسیم و
59
00:02:08,619 –> 00:02:10,660
میخواهم بگوییم تمام مقادیر پیشبینیشدهای که
60
00:02:10,660 –> 00:02:12,130
مدل ما درست پیشبینی کرده است، این
61
00:02:12,130 –> 00:02:14,020
پاسخی است که میخواهم پیشبینی گستردهتری
62
00:02:14,020 –> 00:02:16,920
داشته باشد، میتواند مثبت یا منفی باشد و
63
00:02:16,920 –> 00:02:20,170
به طور مشابه ما مقادیر واقعی داریم، بنابراین مقادیر اکسل
64
00:02:20,170 –> 00:02:23,440
یا 1 یا 0 هستند، بنابراین این همان
65
00:02:23,440 –> 00:02:24,820
چیزی است که ما هستیم. با استفاده از بنابراین این همان
66
00:02:24,820 –> 00:02:26,260
کاخ سفید است در اینجا این
67
00:02:26,260 –> 00:02:27,989
مقادیر واقعی هستند همه مجموعه داده های ما درست
68
00:02:27,989 –> 00:02:30,760
این مقادیر واقعی هستند و این
69
00:02:30,760 –> 00:02:32,560
همان مقدار پیش بینی شده است
70
00:02:32,560 –> 00:02:34,300
که مدل ما است و این همان چیزی است که مدل شما را
71
00:02:34,300 –> 00:02:36,310
دقیقاً پیش بینی می کند بنابراین اکنون می توانیم
72
00:02:36,310 –> 00:02:38,530
فقط ادامه دهید و آن مقادیر را بشمارید و
73
00:02:38,530 –> 00:02:40,239
ما فقط می توانیم جلو برویم و آنها را قرار دهیم و رنگ را
74
00:02:40,239 –> 00:02:41,680
ایجاد کنیم و همچنان اضافه
75
00:02:41,680 –> 00:02:43,300
کنیم تا زمانی که به یک فینال برسیم که واقعاً مهم است
76
00:02:43,300 –> 00:02:45,310
این دقیقاً چگونه است که ما واقعاً جلو می رویم.
77
00:02:45,310 –> 00:02:49,150
و ایجاد chimera بدانید که چگونه میتوانیم یا
78
00:02:49,150 –> 00:02:51,070
چه اتفاقی میافتد اگر شما نمیتوانید، میتوانید
79
00:02:51,070 –> 00:02:53,380
یک ماتریس سردرگمی برای مرکز خریدی
80
00:02:53,380 –> 00:02:54,640
که درست در اینجا ایجاد کردهایم ایجاد کنید،
81
00:02:54,640 –> 00:02:57,670
بیایید این کار را انجام دهیم، بنابراین من فقط میروم
82
00:02:57,670 –> 00:03:00,040
و به طرز شگفتانگیزی در پایتون میبینم.
83
00:03:00,040 –> 00:03:05,620
ما
84
00:03:05,620 –> 00:03:07,750
با استفاده از کتابخانه دوچرخهسواری سایت، ماتریس سردرگمی ساختهایم، بنابراین
85
00:03:07,750 –> 00:03:09,940
میتوانید از کلاس ماتریس کتابخانه ماتریس استفاده کنید،
86
00:03:09,940 –> 00:03:11,620
پس از یادگیری،
87
00:03:11,620 –> 00:03:15,220
لطفاً ادامه دهید و فقط پیش بروید و
88
00:03:15,220 –> 00:03:16,390
معیارهای تبدیل مدل را چاپ کنید،
89
00:03:16,390 –> 00:03:18,849
بنابراین من فقط میخواهم این کار را انجام دهم. و ما
90
00:03:18,849 –> 00:03:20,650
به یک ویژگی پیشبینیشده و واقعی
91
00:03:20,650 –> 00:03:22,959
برای آن نیاز داریم، بنابراین ما واقعی را پیشبینی کردهایم، بنابراین
92
00:03:22,959 –> 00:03:25,420
میتوانید ادامه دهید و آنها را
93
00:03:25,420 –> 00:03:28,989
مستقیماً در ماتریس سردرگمی خود قرار دهید، بنابراین
94
00:03:28,989 –> 00:03:30,190
من فقط میخواهم ادامه دهم
95
00:03:30,190 –> 00:03:33,970
و معیارهای اصلی و سردرگمی را بگویم و در Mavericks و معیارهای زیرخط تغذیه کنید.
96
00:03:33,970 –> 00:03:35,680
و
97
00:03:35,680 –> 00:03:37,750
سپس ما باید این را جداگانه بنویسیم،
98
00:03:37,750 –> 00:03:40,329
بنابراین چون بدیهی است که فرمت
99
00:03:40,329 –> 00:03:43,060
این برگه حمل و نقل من است، می توانید ببینید
100
00:03:43,060 –> 00:03:45,489
که می گوید باید یک پروژه Y را
101
00:03:45,489 –> 00:03:47,319
بعد از دانش واقعی قرار دهید، بنابراین
102
00:03:47,319 –> 00:03:49,540
دقیقاً به همین دلیل است که من یک w را قرار می دهم.
103
00:03:49,540 –> 00:03:52,000
اعتراض بینظیر قبل از اینکه درست پیشبینی شده بود، بنابراین اگر من همین
104
00:03:52,000 –> 00:03:53,260
الان ادامه دهم و این را پیشبینی کنم، میتوانید همین
105
00:03:53,260 –> 00:03:55,629
الان ببینید که فوراً
106
00:03:55,629 –> 00:03:57,730
این پاسخ را به ما میدهد و از این پاسخ میتوانید به
107
00:03:57,730 –> 00:03:58,900
نوعی این ایده را دریافت کنید که دو
108
00:03:58,900 –> 00:04:01,540
منفی دو تا هستند و سقوط این
109
00:04:01,540 –> 00:04:03,819
مثبت است. یکی پس دو منفی
110
00:04:03,819 –> 00:04:06,819
ما بودند، فرض کنید منفی های واقعی ما
111
00:04:06,819 –> 00:04:09,909
دو بودند و آن را به درستی پیش بینی کرد و یکی
112
00:04:09,909 –> 00:04:11,319
از آنها در واقع اشتباه بود و این
113
00:04:11,319 –> 00:04:13,180
دقیقاً همان چیزی است که می توانید اینجا ببینید، می توانید
114
00:04:13,180 –> 00:04:15,010
ببینید که دو تای آنها درست هستند و یکی از
115
00:04:15,010 –> 00:04:16,720
آنها درست است. این دقیقاً همان
116
00:04:16,720 –> 00:04:20,139
چیزی است که مدل ما به ما می گوید که مدل ما
117
00:04:20,139 –> 00:04:22,079
اساساً به نوعی آن را دوست داریم
118
00:04:22,079 –> 00:04:23,699
و ثانیاً می توانیم پیش برویم
119
00:04:23,699 –> 00:04:26,550
و دقت یک مدل را محاسبه کنیم، بنابراین
120
00:04:26,550 –> 00:04:27,780
چگونه می توانیم به دقت به خوبی
121
00:04:27,780 –> 00:04:30,479
برسیم، فقط می توانیم آن را با دو
122
00:04:30,479 –> 00:04:32,340
مثبت به اضافه محاسبه کنیم. منفی های واقعی تقسیم بر
123
00:04:32,340 –> 00:04:34,259
مثبت های واقعی اول وقتی دریافت کردم به اضافه
124
00:04:34,259 –> 00:04:36,300
چهار برای مراکز مختلف به علاوه منفی است و
125
00:04:36,300 –> 00:04:37,740
ما فقط می توانیم جلو برویم و آن را
126
00:04:37,740 –> 00:04:39,360
در یک فرمول قرار دهیم و می توانیم مستقیماً
127
00:04:39,360 –> 00:04:41,069
این پاسخ را دریافت کنیم اما به طور شگفت انگیزی در
128
00:04:41,069 –> 00:04:42,330
Parkt همچنین میتوانیم از این
129
00:04:42,330 –> 00:04:43,740
130
00:04:43,740 –> 00:04:46,919
امتیاز دقت برای یافتن این موضوع استفاده کنیم و چگونه این
131
00:04:46,919 –> 00:04:49,289
کار را به خوبی انجام دهیم، اساساً میتوانیم
132
00:04:49,289 –> 00:04:51,740
فقط این را کپی و جایگذاری کنیم و
133
00:04:51,740 –> 00:04:53,789
به جای معیارهای رقابتی، میتوانیم
134
00:04:53,789 –> 00:04:55,639
ادامه دهیم و دقیق بنویسیم. امتیاز و
135
00:04:55,639 –> 00:05:01,830
voila و کاوش امتیاز و من فقط این کار را انجام می دهم
136
00:05:01,830 –> 00:05:03,389
شما می توانید ببینید که این انجمن دقت
137
00:05:03,389 –> 00:05:05,819
مدرسه است فقط 60% آنقدرها
138
00:05:05,819 –> 00:05:07,740
خوب نیست زیرا بدیهی است که موتور ما به خوبی
139
00:05:07,740 –> 00:05:09,120
آموزش داده نشده است زیرا ما یک
140
00:05:09,120 –> 00:05:11,220
مزیت بسیار کوچک برای شما داشتیم.
141
00:05:11,220 –> 00:05:15,030
تمرین کنید تا بدیهی است که ما باید مسلح شویم شما
142
00:05:15,030 –> 00:05:17,130
باید به طور واضح به داده های بزرگتری نیاز داشته
143
00:05:17,130 –> 00:05:19,560
باشید و شما خیلی بیشتر از آنچه مدل ما می تواند ببیند می دانید
144
00:05:19,560 –> 00:05:21,629
و آنگاه دقیقاً همان جایی است که
145
00:05:21,629 –> 00:05:23,129
آب ما در واقع بسیار
146
00:05:23,129 –> 00:05:25,889
دقیق تر از این مقدار می شود، بنابراین اکنون می دانید
147
00:05:25,889 –> 00:05:27,419
که ماتریس سردرگمی چیست. و اینکه چگونه میتوانیم
148
00:05:27,419 –> 00:05:29,219
عملاً جلو برویم و چه چیزی و
149
00:05:29,219 –> 00:05:32,069
پایتون را پیادهسازی کنیم، میتوانیم به موارد بسیار
150
00:05:32,069 –> 00:05:36,569
بهتر یا میتوانم بگویم و معیارهای دیگری
151
00:05:36,569 –> 00:05:38,430
که میتوانیم برای محاسبه واقعی یا
152
00:05:38,430 –> 00:05:41,310
دقیقاً آنچه که اساساً
153
00:05:41,310 –> 00:05:43,289
دانشمندان دیگر استفاده میکنند استفاده کنیم. برای قضاوت درست در مورد یک
154
00:05:43,289 –> 00:05:46,020
مدل طبقهبندی، بنابراین
155
00:05:46,020 –> 00:05:48,000
سیگنال خطا چیست، منحنی احتمالی
156
00:05:48,000 –> 00:05:51,449
است که نشاندهنده درجه یا
157
00:05:51,449 –> 00:05:53,520
عمده توانایی جداگانه است، بنابراین آنچه
158
00:05:53,520 –> 00:05:55,529
میتوانید بگویید این است که میدانید چگونه
159
00:05:55,529 –> 00:05:57,449
میتوانیم کلاسهای واقعی و نادرست خود را جدا کنیم.
160
00:05:57,449 –> 00:05:59,219
بنابراین بیایید بگوییم مدل ما
161
00:05:59,219 –> 00:05:59,910
پیشبینی کرده است
162
00:05:59,910 –> 00:06:01,500
و سقوط میکند، پس از کجا بدانیم که
163
00:06:01,500 –> 00:06:03,540
مدل ما آنها را به درستی پیشبینی کرده است، بنابراین میتوانیم
164
00:06:03,540 –> 00:06:05,100
واقعاً آن گروه فارغالتحصیل را تجسم کنیم که
165
00:06:05,100 –> 00:06:07,200
فکر میکنید این ماشین r/c مراقبت از برخی از
166
00:06:07,200 –> 00:06:08,430
این دخترانی است که من تصور نمیکردم که
167
00:06:08,430 –> 00:06:10,200
اول، بنابراین من واقعاً ادامه می دهم و
168
00:06:10,200 –> 00:06:11,790
در واقع به من می گویم که این دقیقاً به چه معناست
169
00:06:11,790 –> 00:06:13,080
، نگران نباشید، اگر در حال حاضر ما را درک نمی کنید،
170
00:06:13,080 –> 00:06:15,570
اگر
171
00:06:15,570 –> 00:06:17,520
به این منحنی اریکا نگاهی بیندازید، اگر
172
00:06:17,520 –> 00:06:20,550
به این نمودار دقیقاً در اینجا نگاه کنید. به سادگی
173
00:06:20,550 –> 00:06:22,590
باید به سادگی پیش برویم و
174
00:06:22,590 –> 00:06:24,420
نرخ مثبت واقعی را در محور y و
175
00:06:24,420 –> 00:06:26,580
نرخ مثبت کاذب را در محور x و
176
00:06:26,580 –> 00:06:29,460
از صفر به یک قرار دهیم، بنابراین دقیقاً همان چیزی است
177
00:06:29,460 –> 00:06:32,070
که مقادیر از آن دقیقاً همان جایی است
178
00:06:32,070 –> 00:06:34,050
که مقادیر تغییر می کنند. بنابراین این نکات
179
00:06:34,050 –> 00:06:36,150
اساسی هستند روی نقاط روی نرخ مثبت تکیه کنید
180
00:06:36,150 –> 00:06:37,860
و این نرخ را فراخوانی کنید و
181
00:06:37,860 –> 00:06:39,240
اینها نکاتی است که باید ترسیم کنیم و
182
00:06:39,240 –> 00:06:41,190
چگونه این نکته را به خوبی ساده منتقل
183
00:06:41,190 –> 00:06:42,660
کنیم، فقط می توانیم ادامه دهیم و دو
184
00:06:42,660 –> 00:06:44,550
تقسیم مثبت qu+ منفی کاذب بود
185
00:06:44,550 –> 00:06:46,260
که به سادگی نتیجه می دهد. نرخ مثبت واقعی
186
00:06:46,260 –> 00:06:48,510
برای ما برای هر نمونه و سپس
187
00:06:48,510 –> 00:06:50,550
ما معمولاً برای نرخ مثبت کاذب یکسان است
188
00:06:50,550 –> 00:06:52,980
که در آن باید
189
00:06:52,980 –> 00:06:55,050
نرخ مثبت کاذب تقسیم بر
190
00:06:55,050 –> 00:06:57,450
منفی های واقعی به اضافه مثبت کاذب را قرار دهیم و
191
00:06:57,450 –> 00:06:59,670
برای هر نمونه ای
192
00:06:59,670 –> 00:07:01,230
که این دو مقدار را دریافت کردیم این مقادیر را به دست می آوریم و ما فقط
193
00:07:01,230 –> 00:07:03,060
به ترسیم آنها ادامه می دهیم و تامیکا
194
00:07:03,060 –> 00:07:04,440
تمام نقاط نمودار را به دست می آورد تا فقط
195
00:07:04,440 –> 00:07:06,630
به جلو بروید و روی آن خط بکشید
196
00:07:06,630 –> 00:07:08,850
و دقیقاً
197
00:07:08,850 –> 00:07:12,090
منحنی ROC معیارهای خود را محاسبه می کنیم، نگران نباشید اگر
198
00:07:12,090 –> 00:07:13,620
درست متوجه نشدید. حالا چون
199
00:07:13,620 –> 00:07:15,720
میخواهم جلوتر بروم و این را
200
00:07:15,720 –> 00:07:17,340
در قالب یک جدول به شما نشان دهم و چگونه میتوانیم این کار را انجام دهیم،
201
00:07:17,340 –> 00:07:19,950
بنابراین اکنون دقیقاً چه چیزی است
202
00:07:19,950 –> 00:07:22,980
، بهتر است مدل بهتر باشد، دقیقاً
203
00:07:22,980 –> 00:07:25,020
چگونه میدانید که ما چگونه میتوانیم این کار را انجام دهیم.
204
00:07:25,020 –> 00:07:26,760
شما چطور شما می توانید به خوبی بگویید که
205
00:07:26,760 –> 00:07:29,850
آیا ROC به خوبی مسلح شده بود.
206
00:07:29,850 –> 00:07:30,600
207
00:07:30,600 –> 00:07:33,330
208
00:07:33,330 –> 00:07:35,410
209
00:07:35,410 –> 00:07:38,380
210
00:07:38,380 –> 00:07:40,840
گرفتن
211
00:07:40,840 –> 00:07:44,020
قرار است در اینجا یکی را با این
212
00:07:44,020 –> 00:07:46,750
سمت راست 0 و 1 لمس کنیم، می توانیم بگوییم که مدل ما
213
00:07:46,750 –> 00:07:48,780
قادر به پیش بینی عینک به درستی
214
00:07:48,780 –> 00:07:52,150
می باشد، اما معنی آن این است که
215
00:07:52,150 –> 00:07:53,980
مدل قادر است حقیقت را به عنوان درست و پیوندهای بی عیب را به درستی پیش بینی کند.
216
00:07:53,980 –> 00:07:55,720
به همین
217
00:07:55,720 –> 00:07:56,290
سادگی است،
218
00:07:56,290 –> 00:07:58,180
پس بیایید ادامه دهیم و درست
219
00:07:58,180 –> 00:08:00,160
رسم آن را شروع کنیم، بنابراین فرض کنید ما
220
00:08:00,160 –> 00:08:03,400
یک جدول مانند این داشتیم، بنابراین یک سنسور جداگانه داریم،
221
00:08:03,400 –> 00:08:04,780
این مانند نتیجه این است که من
222
00:08:04,780 –> 00:08:06,730
یک مدل هستم که درست برگشت داده شده است، بنابراین بیایید بگوییم ما
223
00:08:06,730 –> 00:08:08,290
این نتیجه است که مدل ما
224
00:08:08,290 –> 00:08:10,120
پیشبینی کرد و بیایید ببینیم
225
00:08:10,120 –> 00:08:11,830
آیا این مدل درست است
226
00:08:11,830 –> 00:08:14,560
یا نه، بنابراین برای انجام این کار میتوانیم
227
00:08:14,560 –> 00:08:15,880
جلو برویم و تعداد
228
00:08:15,880 –> 00:08:17,620
مثبتهای منفی را بشماریم تا
229
00:08:17,620 –> 00:08:19,480
مثبتهای واقعی باشند، بنابراین بیایید بگوییم که آیا
230
00:08:19,480 –> 00:08:21,100
میتوانیم یک علامت گذاری کنیم. خط درست در مورد اینجا و
231
00:08:21,100 –> 00:08:22,840
t ما فقط میتوانیم جلو برویم و یک
232
00:08:22,840 –> 00:08:23,950
خط بکشیم مثل اینکه سه نقطه مثبت ما وجود دارد،
233
00:08:23,950 –> 00:08:25,570
زیرا ما دو منفی برای
234
00:08:25,570 –> 00:08:27,070
منفی داریم و سپس بازی منسجم
235
00:08:27,070 –> 00:08:29,290
شمرده میشود، بنابراین چند نکته مثبت
236
00:08:29,290 –> 00:08:30,880
واقعی وجود دارد، بنابراین هرچه بیشتر پیشبینی شود
237
00:08:30,880 –> 00:08:32,799
آنچه در واقع است مثبت
238
00:08:32,799 –> 00:08:34,510
است. یک و در مورد موارد
239
00:08:34,510 –> 00:08:35,950
مثبت کاذب خوب هیچ کدام وجود ندارد زیرا ما
240
00:08:35,950 –> 00:08:37,960
همه چیز را درست علامت گذاری می کنیم، شما
241
00:08:37,960 –> 00:08:40,210
خط را دقیقاً در اینجا علامت گذاری می کنید بنابراین هیچ کدام وجود ندارد
242
00:08:40,210 –> 00:08:42,219
بنابراین می توانیم ادامه دهیم و 0 را درست بگذاریم
243
00:08:42,219 –> 00:08:44,590
و سپس می توانیم ادامه دهیم و علامت را
244
00:08:44,590 –> 00:08:47,350
برداریم. تمام پاسخهای زیر خط
245
00:08:47,350 –> 00:08:48,040
ما به این
246
00:08:48,040 –> 00:08:49,960
و این نشانگر دقیقاً در اینجا نیاز داریم، این یک
247
00:08:49,960 –> 00:08:51,190
بازار خیالی است که ما داریم، ما
248
00:08:51,190 –> 00:08:52,990
فرض میکنیم که دقیقاً اینجاست، بنابراین
249
00:08:52,990 –> 00:08:54,160
میتوانیم ادامه دهیم و
250
00:08:54,160 –> 00:08:55,870
تعداد منفی واقعی را صدا کنیم، بنابراین تعداد آنها چقدر است.
251
00:08:55,870 –> 00:08:57,790
منفی هستند و در واقع
252
00:08:57,790 –> 00:09:02,110
منفی هستند، بنابراین می توانیم بگوییم 1 2 3 4 و 5، بنابراین
253
00:09:02,110 –> 00:09:03,700
شما مردم را وادار به مبارزه کنید که در
254
00:09:03,700 –> 00:09:04,960
مورد مثبت کاذب چه چیزهایی در مورد
255
00:09:04,960 –> 00:09:05,710
منفی های
256
00:09:05,710 –> 00:09:07,480
کاذب خوب است، منفی های کاذب 3 هستند، زیرا
257
00:09:07,480 –> 00:09:11,100
ما می توانیم آنها را بشماریم که می توانیم ببینیم. 1 2 3 و 4
258
00:09:11,100 –> 00:09:13,600
ما فقط می توانیم ببینیم که
259
00:09:13,600 –> 00:09:16,000
دقیقاً همان چیزی است که ما درست کرده ایم و
260
00:09:16,000 –> 00:09:17,920
سپس می توانیم ادامه دهیم و از این
261
00:09:17,920 –> 00:09:20,110
فرمولی که به شما نشان دادم استفاده کنیم و
262
00:09:20,110 –> 00:09:22,900
می توانیم این تجمع ها را در این فرمول ها قرار دهیم
263
00:09:22,900 –> 00:09:24,150
و شما این حافظهها را
264
00:09:24,150 –> 00:09:26,710
0.200 دریافت میکنم، آنها برای آن باز هستند یا میتوانید اکنون آن را
265
00:09:26,710 –> 00:09:28,330
محاسبه کنید، من این را به عنوان
266
00:09:28,330 –> 00:09:29,740
تمرینی برای شما بچهها میگذارم تا بتوانید ادامه دهید
267
00:09:29,740 –> 00:09:32,320
و این مقادیر را بیشتر محاسبه کنید
268
00:09:32,320 –> 00:09:34,150
و وقتی همه این مقادیر را دریافت کردید،
269
00:09:34,150 –> 00:09:35,560
فکر کنید که ادامه دهید. و مستقیماً
270
00:09:35,560 –> 00:09:38,320
آنها را به طور مشابه وصل کنید که چگونه اینها
271
00:09:38,320 –> 00:09:40,150
مشکل را درست در اینجا آماده می کنند و شما می خواهید مشکل را حل کنید.
272
00:09:40,150 –> 00:09:42,160
273
00:09:42,160 –> 00:09:44,800
274
00:09:44,800 –> 00:09:47,380
275
00:09:47,380 –> 00:09:50,470
با دیدن این نمودار همانطور
276
00:09:50,470 –> 00:09:53,170
که قبلاً ذکر کردم، هر چه نمودار بیشتر در
277
00:09:53,170 –> 00:09:55,360
این نقطه باشد، به این معنی است که مدل شما
278
00:09:55,360 –> 00:09:57,550
خوب بوده است و نمودار شما
279
00:09:57,550 –> 00:09:59,160
که نقطه مورب است
280
00:09:59,160 –> 00:10:01,810
که دقیقاً در اینجا این خط است،
281
00:10:01,810 –> 00:10:03,400
این تشخیص است پس به این معنی است که شما
282
00:10:03,400 –> 00:10:05,350
مدل خوبی نیست و خیلی ناتوان است f
283
00:10:05,3