auc和准确率的关系
如何更高效的自学机器学习？
如何更高效的自学机器学习？
机器学习其实是一个特别大的范畴。高效的自学习机器学习有两个关键要素:一是要对机器学习有一个宏观的认识，知道哪些领域是热点和重点，抓住重点，有的放矢；其次，你需要掌握一门语言工具，结合具体的项目实践，增加自己的实践经验。我就在这里宣传一下python。
这里有一些具体的事情可能会对你有所帮助。
1:机器学习能解决什么问题？
问题分为两类:分类问题和回归问题，其中分类问题又可分为多分类问题和多标签多分类问题。还有很多其他高级版本的问题，一般都是由多个问题组成的，比如物体检测，实际上集成了图像分割和分类；
什么是2:机器学习算法？
我们一般可以把机器学习的算法分为传统机器学习和深度学习算法。传统的机器学习算法，如SVM、决策树、随机森林等。，大多集成在sklearn中，可以非常方便地调用。深度学习算法主要依靠学习框架，主流的有Tensorflow和PyTorch，各有优缺点。请自己去了解，再做进一步的选择。其次，深度学习的网络结构可以分为卷积神经网络、递归神经网络、自动编码器、对抗生成网络、图卷积神经网络等。目前深度学习已经在各个领域取得了很大的性能提升，是机器学习中的重点领域。此外，图量积逐渐成为最重要的；
3:机器学习的一般流程是什么？
一个大致的流程由几个部分组成:数据集排序、数据集预处理、数据集划分(训练集、测试集、验证集、公比7:1:2)、模型训练、模型验证、模型测试。
4:如何评价该模型的性能？常见的指标有哪些？
我们通常使用验证集的数据来测试和选择最终的模型，然后使用测试数据集来测试我们的模型的性能。在获得最终模型后，我们可以使用更大的独立测试数据集来进一步评估模型的性能。为了评估模型性能，我们需要使用特定的性能指标。根据不同类型的样本在数据集中所占的比例，我们将数据集分为平衡数据集和非平衡数据集。我们可以用准确率、损失值、马修斯系数、F1-score、ROC曲线、AUC值等指标来平衡数据集，对这类数据集的评估相对容易。对于非平衡数据集，我们需要小心地使用精确度来衡量模型的性能。结合具体问题，我们一般用F1-score和。ROC-AUC等指标。
公共数据集上的5:。
现在互联网上有很多开放的、标记良好的数据集，包括图像、序列、文本，为机器学习提供了很好的学习环境。你需要在手部训练阶段充分利用这些资源！
另外，机器学习也不是万能的。在很多情况下，性能取决于数据和问题定义，并不是每个问题都可以通过机器学习来解决。尤其是面对现实问题，要谨慎乐观，不要 不要盲目的跳进坑里！
出纳零基础教程？
出纳是一个专业性很强的工作。出纳人员必须了解和掌握出纳工作的特点、内容、作用等基本知识，这是做好出纳工作的前提。与此同时，收银员 的岗位要求出纳人员具有独特的工作技能。下面为大家详细介绍。
收银员 后认知
出纳岗位
出纳作为一个会计术语，在不同的场合有不同的含义。通常，出纳这个词有两个意思:出纳工作和出纳人员。