Публикации по теме 'model'
Часть II. Оценка прогнозной модели: перекрестная проверка и компромисс смещения и дисперсии
В моем предыдущем посте я изложил концептуальную основу для построения и оценки простой прогнозной модели. Я обсудил необходимость проведения разделения на тренировку и тест и получил результаты обучения и тестирования, используя значение R-квадрат в качестве метрики оценки.
Создание и оценка прогнозной модели с помощью scikit-learn: пошаговое руководство для начинающих Для новичков в науке о данных такие фразы, как прогнозное моделирование и оценка..
Обнаружение настраиваемых объектов с использованием TensorFlow - (с нуля)
В этом руководстве мы собираемся создать и обучить собственный детектор маски лица, используя предварительно обученную модель SSD MobileNet V2.
Сначала мы создадим наш собственный набор данных изображений, а позже мы увидим, как обучить пользовательскую модель для обнаружения объектов (локальную и Google Colab!)
1. Установка
1.1 Тензорный поток
Установите Tensorflow, используя следующую команду:
$ pip install tensorflow or pip install tensorflow==1.15
Если у вас есть..
Дилемма моделирования в машинном обучении — «Оптимизация против обобщения»
Будучи молодым специалистом по данным, я всегда думал, что лучшая модель, которую вы можете создать, — это модель, которая будет давать наилучшие показатели после предсказания результатов некоторых тестов.
Однако стремление к наименьшей MSE или самой высокой точности классификации не будет реальной задачей. Но почему ?
Интуиция — важность тренировки
Давайте представим ситуацию, когда два ресторанных критика приходят в одно и то же колумбийское заведение, чтобы отведать одно и..
React + TS: Организация данных API
Введение
Всем привет! 👋🏻 Давайте поговорим о данных API и о том, как организовать и работать с ними во внешнем интерфейсе в приложении React. Итак, обычно после запроса к API мы получаем следующее представление данных:
В качестве примера выше я использовал данные пользователя. Этот ответ представлен в виде структуры данных объекта, и, как вы можете видеть, у нас есть строка, число и свойства объекта.
В те времена, когда TypeScript был сырым и использовался довольно редко и..
Обучение моделям для специалистов, не занимающихся данными
Цель этой статьи — познакомить вас с очень важной концепцией в мире машинного обучения — обучением моделям. Я дам широкое описание концепции обучения и конкретизирую в некоторых других статьях в будущем.
Если вы новичок в машинном обучении или просто интересуетесь им, это для вас.
Примечание . В этой статье основное внимание уделяется параметризованному обучению с учителем, которое более распространено. Кроме того, я стараюсь быть максимально абстрактным до самого последнего..
Понимание метода прогнозирования YOLOv7 и развертывание модели YOLOv7 как услуги
Эта статья переведена из моего поста в китайском блоге. Если вы хотите ознакомиться со статьей в китайской версии, вы можете щелкнуть следующую ссылку, чтобы получить информацию.
理解YOLOv7 預測方式並且部署YOLOv7 模型成為一個服務 YOLOv7 模型開源出來後，我就一直很想要寫這篇文章，在經過一段時間的整理和 YOLOv7 預測模型的使用方法,並且透過 Развертывание PrimeHub… blog.infuseai.io
Введение
Я хочу написать статью, представляющую модель YOLOv7, когда она будет выпущена на Github. После того, как я..
Разверните модель машинного обучения с помощью Streamlit
В этой статье мы увидим, как развернуть существующую модель ML с помощью Streamlit.
Во-первых, получите модель ML и создайте файл рассола для вашей модели.
После создания файла pickle импортируйте все необходимые библиотеки.
import streamlit as st
import pickle
Загрузите файл рассола
model = pickle.load(open('model_reg.pkl','rb'))
Добавьте название и краткое описание того, что делает ваша модель.
st.title("Prediction of Ice cream shop revenue")..
