DC
Это я так понимаю для каждого класса отдельно?
Size: a a a
2020 September 22
СВ
Это я так понимаю для каждого класса отдельно?
не, 8 сеток в цикле
СВ
соответственно матрица 5х5
DC
Ну, он предсказывает один класс только, к примеру в первой матрице для 4 класса только будут метрики, остальные будут по нулям
DC
Потому что для них TP по нулям как минимум
DC
А почему единую матрицу не построить? Либо выводить macro метрики
СВ
по главной диагонали идут TP для каждого класса
СВ
просто сетки 2 эпохи учились, поэтому корявая матрица
СВ
а так одна матрица на 1 сетку
СВ
так сказать сборная матрица
СВ
Я в чем то заблуждаюсь?
СВ
мне прост не понятно, почему мне в массив метрик вместо репорта аппендится интовый 0
СВ
Переслано от Сергей Васильев...
tensorflow.python.framework.errors_impl.NotFoundError: Failed to create a directory: C:\keras\Directory\models\temp_model/variables; No such file or directoryче за ...?
через пайчарм работает, но не грузит видюху
а если запускаю в конде вылетает ошибка выше
З.Ы. И конда и чарм используют одно и то же окружение
2020 September 23
S
Ребят, подскажите как максимизировать f1 score с помощью замены лосс функции бустинга (мб есть другие способы)?
КЧ
Ребят, тупой вопрос , но в чем разница между AUC и AUC_ROC ?
BB
Ребят, тупой вопрос , но в чем разница между AUC и AUC_ROC ?
DD
Ребят, подскажите как максимизировать f1 score с помощью замены лосс функции бустинга (мб есть другие способы)?
F1 напрямую - никак, потому что это дискретный лосс, а бустинг оптимизирует только дифференцируемые функции.
Есть два варианта:
1) При обучении бустинга максимизировать cross-entropy, а порог отсечения для классификации и другие гиперпараметры выбирать перебором, максимизируя уже F1;
2) Приблизить F1 score гладкой функцией и при обучении бустинга максимизировать её, как в этом посте.
Есть два варианта:
1) При обучении бустинга максимизировать cross-entropy, а порог отсечения для классификации и другие гиперпараметры выбирать перебором, максимизируя уже F1;
2) Приблизить F1 score гладкой функцией и при обучении бустинга максимизировать её, как в этом посте.
S
F1 напрямую - никак, потому что это дискретный лосс, а бустинг оптимизирует только дифференцируемые функции.
Есть два варианта:
1) При обучении бустинга максимизировать cross-entropy, а порог отсечения для классификации и другие гиперпараметры выбирать перебором, максимизируя уже F1;
2) Приблизить F1 score гладкой функцией и при обучении бустинга максимизировать её, как в этом посте.
Есть два варианта:
1) При обучении бустинга максимизировать cross-entropy, а порог отсечения для классификации и другие гиперпараметры выбирать перебором, максимизируя уже F1;
2) Приблизить F1 score гладкой функцией и при обучении бустинга максимизировать её, как в этом посте.
По поводу 2. Везде вижу , что это делают для нейронных сетей, почему так не делают для бустинга? У меня обычный числовой датасет, думаю запускать нн будет излишне (поправьте если не так)
DD
По поводу 2. Везде вижу , что это делают для нейронных сетей, почему так не делают для бустинга? У меня обычный числовой датасет, думаю запускать нн будет излишне (поправьте если не так)
Не думаю, что на это есть какие-то особые причины)