1. 定义
2. 审计框架（Audit Framework）：是一套用于系统地规划、执行、监督和报告审计工作的结构化体系。它包括一系列的政策、程序、方法和标准，目的是确保审计过程的科学性、公正性和有效性。在传统审计领域，主要用于财务审计等方面，检查财务报表是否真实、准确地反映了企业的财务状况。

3. 机器学习（Machine Learning）：是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。它专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。在数据挖掘、自然语言处理、图像识别等众多领域有广泛应用。

4. ...

Read more

1. 定义和背景

2. 在多类别分类问题（如将图像分为多个不同的物体类别、文本分类到多个主题类别等）中，需要使用特定的评估指标来衡量模型的性能，这些指标被称为多类别指标（Multi - Class Metrics）。与二分类问题不同，多分类问题的评估更为复杂，因为涉及到多个类别之间的混淆情况。

3. 常见的多类别指标

4. 宏平均（Macro - averaging）
   • 计算方法：先分别计算每个类别的评估指标（如精确率、召回率、F1 - score），然后对这些类别指标求算术平均值。例如，对于一个三分类问题，类别为(A)、(B)、(C)，分别计算出类别(A)的精确率(P_A)、类别(B)的精确率(P_B...

Read more

1. 基本概念

2. 数据增强（Data Augmentation）是一种在数据层面进行操作的技术，主要用于扩充数据集。在机器学习和深度学习的模型训练过程中，数据的数量和质量对模型的性能有着至关重要的影响。数据增强通过对原始数据进行一系列变换，生成新的、与原始数据相似的数据样本，从而增加数据的多样性和规模。

3. 在计算机视觉中的应用

4. 几何变换
   • 旋转（Rotation）：将图像围绕一个中心点按照一定的角度进行旋转。例如，对于一个手写数字识别任务，把数字图像进行不同角度（如0 - 30度、30 - 60度等）的旋转，生成新的图像样本。这样可以让模型学会识别处于不同倾斜角度的数字，增强模型的鲁棒性。...

Read more

1. 定义
2. 混淆矩阵（Confusion Matrix）是在机器学习和统计学的分类问题中，用于评估分类模型性能的一种工具。它是一个表格，展示了分类模型预测结果和实际真实标签之间的比较情况。

3. 对于一个二分类问题，混淆矩阵是一个(2\times2)的矩阵，包含真正例（True Positive，TP）、假正例（False Positive，FP）、真反例（True Negative，TN）和假反例（False Negative，FN）这四个元素。例如，在判断一封邮件是否为垃圾邮件的任务中，如果模型正确地将垃圾邮件预测为垃圾邮件，这就是一个真正例；如果将正常邮件错误地预测为垃圾邮件，就是假正例。...

Read more

1. F1 - score的定义与意义
2. F1 - score是精确率（Precision）和召回率（Recall）的调和平均数，用于综合评估分类模型的性能。在分类任务中，精确率和召回率往往存在一种权衡关系，单独使用其中一个指标可能无法全面衡量模型的好坏。F1 - score能够平衡这种权衡，提供一个更全面的评估指标。

3. 其计算公式为(F1 = 2\times\frac{Precision\times Recall}{Precision + Recall})。例如，在信息检索任务中，精确率关注的是检索出的结果中有多少是真正相关的，召回率关注的是所有相关的内容中有多少被检索出来了。F1 - sc...

Read more

1. 定义
2. Sigmoid函数，也称为逻辑函数（Logistic Function），其数学表达式为(y = \frac{1}{1 + e^{-x}})，其中(e)是自然常数（约为(2.71828)），(x)是自变量。

3. 这个函数的定义域是((-\infty,+\infty))，值域是((0,1))。例如，当(x = 0)时，(y=\frac{1}{1 + e^{0}}=\frac{1}{2})；当(x\to+\infty)时，(y\to1)；当(x\to-\infty)时，(y\to0)。

4. 函数性质

5. 单调性：Sigmoid函数是单调递增函数。这意味着当(x)的值增加时，(y)的值也会...

Read more

1. 定义
2. 函数集（Function Set）是指一组具有某种共同性质或用于特定目的的函数的集合。这些函数可以是数学函数、编程语言中的函数或者机器学习模型中的函数族。

3. 例如，在数学中，所有的多项式函数构成一个函数集。一个(n)次多项式函数的一般形式为(y = a_0 + a_1x + a_2x^2+\cdots+a_nx^n)，其中(a_0,a_1,\cdots,a_n)是系数，所有这样的多项式函数（无论(n)取何值，系数如何取值）组成了多项式函数集。

4. 分类

5. 按函数类型分类
   • 线性函数集：包括所有形如(y = mx + b)的函数，其中(m)是斜率，(b)是截距。例如(y = 2x +...

Read more

1. 定义
2. 伯努利分布（Bernoulli Distribution）是一种离散型概率分布，它用于描述只有两种可能结果的随机试验。这两种结果通常被标记为(0)和(1)，例如成功（(1)）和失败（(0)）。

3. 设(X)是服从伯努利分布的随机变量，(p)表示一次试验中结果为(1)（成功）的概率，那么(X)的概率质量函数（PMF）为(P(X = k)=p^{k}(1 - p)^{1 - k})，其中(k = 0,1)。

4. 示例

5. 抛硬币是典型的伯努利分布例子。设正面朝上为成功（(X = 1)），反面朝上为失败（(X = 0)）。如果硬币是公平的，那么正面朝上的概率(p=\frac{1}{2})。...

Read more

1. 含义解释 当说“the boundary is linear”时，意思是边界呈现线性的形态。从几何角度来讲，线性边界通常可以用直线方程来描述，比如在二维平面中可以表示为 (y = mx + c)（其中 (m) 是斜率，(c) 是截距）这样的形式，在更高维度空间也有相应的线性表达式来刻画。

2. 常见场景举例

   • 区域划分场景： 在地图上对不同地块进行划分时，可能存在线性边界的情况。例如，在规划一个农业园区，其中两块不同种植作物的区域之间用栅栏隔开，而这个栅栏所在的直线就构成了两块区域之间的线性边界。如果以坐标来表示位置，假设其中一块区域 (A) 在直线 (y = 2x + 1) 的一侧，...

Read more

后验概率（Posterior Probability） 是贝叶斯统计中的一个核心概念，表示在观察到新的数据或证据后，对某个假设或事件概率的更新。以下是其关键内容的详细解释：

1. 定义

后验概率是指在观察到数据 ( D ) 后，假设 ( H ) 成立的概率，记作 ( P(H|D) )。

2. 贝叶斯定理

后验概率通过 贝叶斯定理 计算，将后验概率与先验概率和数据的似然联系起来：

[ P(H|D) = \frac{P(D|H) \cdot P(H)}{P(D)} ]

其中： - ( P(H|D) )：后验概率（在观察到数据 ( D ) 后，假设 ( H ) 成立的概率）。 - ( P(...

Read more