机器学习分类模型10大评价指标

公众号：尤而小屋作者：Peter编辑：Peter大家好，我是Peter~机器学习分类模型的评价指标是在衡量模型在未知数据集上的性能表现，通常基于混淆矩阵和相关的评价指标。 于是我问了ChatGPT：机器学习分类模型中哪个代表准确度，accuracy 还是Precision？ 下面小编就从混淆矩阵开始，给大家详细介绍下机器学习分类模型中的多个评价指标。混淆矩阵Confusion Matrix开局一张图：图片其中，Pos代表Positive，Neg代表Negative。 ，精确率越高，表示模型越好。 下图是来自维基百科对ROC-AUC的解释：图片通过对分类阈值$\theta$（默认情况下是0.5，范围是0到1）从大到小或者从小到大排列，就可以得到多组TPR和FPR的取值，在二维坐标系中绘制出来就可以得到一条

AI大模型学习

AI大模型学习 在当前技术环境下，AI大模型学习不仅要求研究者具备深厚的数学基础和编程能力，还需要对特定领域的业务场景有深入的了解。 方向一：AI大模型学习的理论基础 AI 大模型学习的理论基础涉及深度学习、神经网络、优化算法等多个方面。 以下是一些关于 AI 大模型学习理论基础的重要内容： 深度学习：深度学习是 AI 大模型学习的核心理论基础，它通过构建多层神经网络来实现对复杂数据模式的学习和表征。 ———————————————— 方向二：AI大模型的训练与优化 AI 大模型学习的理论基础涉及深度学习、神经网络、优化算法等多个方面。 以下是一些关于 AI 大模型学习理论基础的重要内容： 深度学习：深度学习是 AI 大模型学习的核心理论基础，它通过构建多层神经网络来实现对复杂数据模式的学习和表征。

AI大模型学习

在当前技术环境下，AI大模型学习不仅要求研究者具备深厚的数学基础和编程能力，还需要对特定领域的业务场景有深入的了解。 通过不断优化模型结构和算法，AI大模型学习能够不断提升模型的准确性和效率，为人类生活和工作带来更多便利。 AI大模型学习的理论基础 数学基础： 线性代数：AI 大模型中大量使用向量和矩阵运算，如矩阵乘法、向量点积等，用于表示和操作数据。 迁移学习：利用已有的预训练模型，在新的任务上进行微调，加快训练过程。 9. 并行计算：使用多线程、多进程或分布式计算框架，加速模型的训练。 10. 此外，模型的性能也受到计算资源、数据质量和算法优化等因素的影响 AI大模型学习的伦理与社会影响 AI 大模型学习确实带来了一些伦理和社会问题，我们需要认真对待： 1.

LLM 大模型学习必知必会系列(八)：10分钟微调专属于自己的大模型

LLM 大模型学习必知必会系列(八)：10分钟微调专属于自己的大模型 1.环境安装 # 设置pip全局镜像 (加速下载) pip config set global.index-url https:// 我是来自阿里云的大规模语言模型，我叫通义千问。 -------------------------------------------------- <<< what's your name? 我是阿里云自主研发的超大规模语言模型。 -------------------------------------------------- <<< 浙江的省会在哪？ 浙江的省会是杭州。 acc': 0.59357905, 'grad_norm': 1.78167629, 'learning_rate': 2.703e-05, 'epoch': 0.11, 'global_step': 10 output/qwen1half-4b-chat/v0-20240225-194502/checkpoint-92 """ 使用CLI (单卡): # Experimental environment: A10

windows10搭建llama大模型

背景 随着人工时代的到来及日渐成熟，大模型已慢慢普及，可以为开发与生活提供一定的帮助及提升工作及生产效率。所以在新的时代对于开发者来说需要主动拥抱变化，主动成长。 LLAMA介绍 llama全称：Large Language Model Meta AI是由meta（原facebook）开源的一个聊天对话大模型。 Linux图： 下载羊驼模型（有点大） 先建一个文件夹：path_to_original_llama_root_dir 在里面再建一个7B文件夹并把tokenizer.model挪进来。 color -f prompts/alpaca.txt -ins -c 2048 --temp 0.2 -n 256 --repeat_penalty 1.3 结果 最后 我知道很多同学可能觉得学习大模型需要懂 python有一定的难度，当然我是建议先学习好一个语言后再去学习其它语言，其实按照我过来的经验，我觉得python或java都好，语言语法都差不多，只是一个工具只是看我们要不要用。

机器学习必学10大算法

本文介绍了 10 大常用机器学习算法，包括线性回归、Logistic 回归、线性判别分析、朴素贝叶斯、KNN、随机森林等。 1. logistic 函数的形状看起来像一个大的「S」，它会把任何值转换至 0-1 的区间内。 该模型学习速度快，对二分类问题十分有效。 3. 线性判别分析 Logistic 回归是一种传统的分类算法，它的使用场景仅限于二分类问题。 10. Boosting 和 AdaBoost Boosting 是一种试图利用大量弱分类器创建一个强分类器的集成技术。 模型是一个接一个依次创建的，每个模型都会更新训练实例权重，影响序列中下一棵树的学习。在构建所有的树之后，我们就可以对新的数据执行预测，并根据每棵树在训练数据上的准确率来对其性能进行加权。

机器学习必学10大算法

本文介绍了 10 大常用机器学习算法，包括线性回归、Logistic 回归、线性判别分析、朴素贝叶斯、KNN、随机森林等。 1. logistic 函数的形状看起来像一个大的「S」，它会把任何值转换至 0-1 的区间内。 该模型学习速度快，对二分类问题十分有效。 3. 线性判别分析 Logistic 回归是一种传统的分类算法，它的使用场景仅限于二分类问题。 10. Boosting 和 AdaBoost Boosting 是一种试图利用大量弱分类器创建一个强分类器的集成技术。 模型是一个接一个依次创建的，每个模型都会更新训练实例权重，影响序列中下一棵树的学习。在构建所有的树之后，我们就可以对新的数据执行预测，并根据每棵树在训练数据上的准确率来对其性能进行加权。

图解10大机器学习算法

今天给大家分享一篇机器学习算法的文章，利用图解的方式介绍了10大常见的机器学习算法。 对于渴望了解机器学习基础知识的机器学习新人来说，这儿有份数据科学家使用的十大机器学习算法，为你介绍这十大算法的特性，采用图解的方式便于大家更好地理解和应用， 1、线性回归Linear Regression 由于模型的特有学习方式，通过逻辑回归所做的预测也可以用于计算属于类0或类1的概率。这对于需要给出许多基本原理的问题十分有用。 10、Boosting和AdaBoost Boosting是一种从一些弱分类器中创建一个强分类器的集成技术。它先由训练数据构建一个模型，然后创建第二个模型来尝试纠正第一个模型的错误。 模型按顺序依次创建，每个模型的更新都会影响序列中下一棵树的学习效果。在建完所有树之后，算法对新数据进行预测，并且通过训练数据的准确程度来加权每棵树的性能。

机器学习必学10大算法

本文介绍了 10 大常用机器学习算法，包括线性回归、Logistic 回归、线性判别分析、朴素贝叶斯、KNN、随机森林等。 　1. 线性回归 　　在统计学和机器学习领域，线性回归可能是最广为人知也最易理解的算法之一。 　　预测建模主要关注的是在牺牲可解释性的情况下，尽可能最小化模型误差或做出最准确的预测。 线性回归模型被表示为一个方程式，它为输入变量找到特定的权重(即系数 B)，进而描述一条最佳拟合了输入变量(x)和输出变量(y)之间关系的直线。 　　 线性回归 　　例如：y = B0 + B1 * x 　　我们将在给定输入值 x 的条件下预测 y，线性回归学习算法的目的是找到系数 B0 和 B1 的值。 　　 我们可以使用不同的技术来从数据中学习线性回归模型，例如普通最小二乘法的线性代数解和梯度下降优化。 　　线性回归大约有 200 多年的历史，并已被广泛地研究。

机器学习必学10大算法

本文介绍了 10 大常用机器学习算法，包括线性回归、Logistic 回归、线性判别分析、朴素贝叶斯、KNN、随机森林等。 1. logistic 函数的形状看起来像一个大的「S」，它会把任何值转换至 0-1 的区间内。 该模型学习速度快，对二分类问题十分有效。 3. 线性判别分析 Logistic 回归是一种传统的分类算法，它的使用场景仅限于二分类问题。 10. Boosting 和 AdaBoost Boosting 是一种试图利用大量弱分类器创建一个强分类器的集成技术。 模型是一个接一个依次创建的，每个模型都会更新训练实例权重，影响序列中下一棵树的学习。在构建所有的树之后，我们就可以对新的数据执行预测，并根据每棵树在训练数据上的准确率来对其性能进行加权。

【大模型学习 | LLaMA Serious】

一、LLaMA V1这篇文章主要是引出大模型的表现力并不是在模型的大小，而是训练数据的样本。之前的做法是尽可能的减少模型大小，但是这些方法忽略了推理代价。 在 PaLM、LLaMA、DeepSeek 等大模型上被广泛使用，带来精度提升。 其中， W,V 是可学习的权重矩阵b,c 是偏置项3️⃣ 位置编码采用了旋转位置编码：RoPE（Rotary Positional Embedding）RoPE 是一种通过“旋转”的方式，将相对位置信息引入注意力机制中的位置编码方法 图片4️⃣ Causal multi-head attention LLaMA是 only-decoder结构的模型，属于自回归语言模型（类似GPT）。 0, 0, -inf, -inf], [0, 0, 0, 0, -inf], [0, 0, 0, 0, 0]]二、LLaMA V2大部分的预训练设置都与

【大模型学习 | BLIP原理】

一、预训练方法 1.1 图像文本模型 图像特征提取模型：VIT 文本特征提取模型：Unimodal encoder; Image-grounded text encoder; Image-grounded 这是因为生成任务要求模型按序预测每一个词，不能访问未来的信息。Causal attention 能保证自回归生成的正确性，使模型适合用作 decoder，实现图像到文本的自然语言生成。 对齐图像与文本的全局语义空间 让正样本图文对更接近，负样本更远 Image-Text Matching Loss Image-grounded text encoder 学习图文细粒度语义对齐 text decoder 图像到文本的语言生成能力 使用自回归预测生成 caption，优化交叉熵 Image-Text Contrastive Loss (ITC): InfoNCE（对比学习 最后组成一个新的数据集预训练模型。

【大模型学习 | RAG & ReAct】

进阶prompting 基础的prompting技术中，都是通过样例提示，激活模型本身的推理功能，但在现实的情况中，依然存在着仅仅依靠模型本身的知识是无法解决的，例如：① 数据库知识不足 ② 模型能力缺乏等 这种方式有效弥补了大模型记忆局限、提升了知识覆盖广度与事实准确性。 它允许大模型在推理过程中“边思考（Reason），边行动（Act）”，即模型可以根据问题内容主动决定是否调用某个工具、调用哪个工具，并基于工具返回的结果进一步推理和生成回答。 与其他 Agent 类方法类似，ReAct 也需要通过 Few-shot 样例 进行提示设计，帮助模型学习在何种情况下调用工具，以及如何将工具的反馈信息融入最终答案中。 ⭐ 为了更灵活的调用工具以及对模型的选用，我们需要对模型、函数进行封装：模型封装from transformers import AutoTokenizer, AutoModelForCausalLM,

【机器学习】---大语言模型

这些模型，犹如现代科技的语言魔法师，通过海量数据和尖端的深度学习技术训练而成，在自然语言的理解与生成上展现了无与伦比的能力。 第一部分：什么是大语言模型？ 1. 走近大语言模型 大语言模型并非传统意义上的“语言学家”，而是通过深度学习技术训练的大规模神经网络，其核心目标是理解、生成并操控自然语言。 这些模型的强大之处在于，它们能够从海量的训练数据中学习语言的结构和语义关系，从而以极高的准确度生成自然语言文本。 它们的核心技术依赖于一种名为Transformer的模型架构。 模型训练的核心要素 要构建一个大语言模型，仅依赖强大的算法是不够的。以下是训练过程中不可或缺的三个关键要素： 海量语料库 模型需要从海量数据中学习语言的多样性和复杂性。 /results", per_device_train_batch_size=2, num_train_epochs=3, save_steps=10_000, save_total_limit

大模型和机器学习

典型案例：2016年，AlphaGo使用深度强化学习击败李世石；2017年，谷歌推出基于LSTM的神经机器翻译系统，翻译准确率提升10%以上。 比如，训练一个垃圾邮件分类模型，可能只需要10万封标注好的邮件数据。 大模型：训练数据通常在TB级甚至PB级，且多为跨领域的无标注数据。 四、核心对比：大模型与机器学习的10个维度差异 在理解了机器学习和大模型的基础概念后，我们进入本文的核心部分：从10个维度，深度对比大模型与传统机器学习的差异。 特征工程：使用TF-IDF将文本转换为数值特征，这是传统机器学习处理文本的标准方法。 模型训练：使用逻辑回归模型训练，训练时间约10秒。 模型评估：准确率约98%，能够精准识别垃圾邮件。 八、总结与展望 8.1 核心总结 本文从10个维度深度剖析了大模型与机器学习的差异，核心结论如下： 关系：大模型是机器学习的一个子集，属于深度学习的范畴，两者是包含与被包含的关系。

【大模型学习 | 词向量】

How achieveword2vec通过神经网络模型训练新的词向量表达模型中参数的定义：one-hot：1, 7 表示一共有七个单词；Embedding：表示输入层到隐藏层的权重矩阵，是从one-hot 向量到Embedding向量的关键，7, 3表示训练完成的每一个embedding向量维度为3；WeightLogits：表示隐藏层到输出层的权重矩阵，是模型损失计算的关键；Logits：表示最后每个单词输出的概率 ，与目标标签做损失进行模型训练；Lookup table语料库十分巨大，每个单词都采用one-hot输入训练会大大增加存储和计算开销，因此，在输入的过程，仅仅输入单词的索引值，例如在上述例子中，直接采用索引 CodingWord2Vec有两种模型结构：CBOW和Skip-gram，本质上的模型架构的不同：输入和输出一对多（Skip-gram）和多对一（CBOW）。 ，通过只更新负样本的权重，避免整个词汇表的计算Word2Vec模型本质是一个多分类问题，最后需要通过softmax激活函数判断哪一个单词的概率最大，因此需要计算所有单词的概率大小。

paddle深度学习10 模型准备

在深度学习中，模型训练是一个迭代的过程，通过不断调整模型参数，使其在给定任务上的表现逐渐提升。本节将详细介绍模型训练的基本流程，包括模型定义、损失函数和优化器的选择，以及训练循环的各个步骤。 【定义模型】在PaddlePaddle中，模型通常通过继承 paddle.nn.Layer 类来定义。可以在这个类中定义模型的结构，比如全连接层、卷积层、循环神经网络层等。 ，通常包括以下几个步骤：1)前向传播将输入数据传入模型，得到模型的预测输出。 y_pred = model(x) # x是输入数据，y_pred是模型预测输出2)计算损失使用损失函数计算模型预测值与真实值之间的差距。 模型评估指标在训练过程中，除了损失函数外，我们还需要使用一些评估指标来衡量模型的性能。

【大模型学习 | Prompt工程基础学习】

prompting学习 许多初学者，包括曾经的我，可能一开始都会有类似的误解——“Prompting 还需要专门学习吗？不就是像在百度里搜索问题一样吗？” 然而，真正深入接触大语言模型（LLM）后你会发现，Prompting 远不止是问问题那么简单。大模型本身拥有极强的推理能力、逻辑能力与知识覆盖面，但这些能力并不是在默认状态下自动调用的。 （大模型本身无需挖掘的能力，也就是和搜索百度、谷歌一样简单）Few-shot Learning 指在 Prompt 中提供几个示例（一般 1~5 条)，引导语言模型理解任务格式与逻辑结构，再让模型生成新的答案 Large Language Models are Zero-Shot Reasoners这篇文章的作者在后来又提出了zero-shot COT，作者认为大型语言模型是零样本学习推理者，只需在每个答案前加上 not (c_pred_ans.strip() in c_rationale.split(".")[-2] or c_pred_ans.strip() in c_rationale.split()[-10

2025-09-10langchain学习-01使用API Key访问大语言模型

大模型应用设计的10个思考

基于大模型的应用设计需要聚焦于所解决的问题，在自然语言处理领域，大模型本身在一定程度上只是将各种NLP任务统一成了sequence 到 sequence 的模型。 利用大模型， 我们是在解决具体的生产和生活中的问题，产品和技术上的设计仍然不可或缺。 那么，如果大模型正在重新构建软件工程的未来，我们是否应该遵循一些基本原则呢？ 1. 随着时间的推移，模型强大的学习和适应能力能够在不断的迭代中自我优化和进步。因此，我们的首要任务是发掘模型的潜力，让它成为我们解决问题的利器。 再例如，“教一年的深度学习课程”这样的模式，它整合了丰富的教育资源，同样可以通过交互方式轻松调整，满足个性化的教学需求。 因此，只要我们对模型进行适当的控制和引导，它就能成为我们工作中得力的“助手”。而这种控制的基础，就是我们对模型内部机制和特点的深入了解和掌握。 10.