![NICT、レーザーカオスを用いて強化学習を超高速化 ~10億分の1秒という“瞬時の意思決定”を実現](https://cdn-ak-scissors.b.st-hatena.com/image/square/f24dec552d3174688a91a12bb90e28773fd2a84f/height=288;version=1;width=512/http%3A%2F%2Fpc.watch.impress.co.jp%2Fimg%2Fpcw%2Flist%2F1076%2F621%2F01.png)
全てのサンプルが4種類に分類され、例えばTrue Positiveは正解が陽性であり、予測結果も陽性と正しく判定されたサンプルの数になります。名前の読み方としては、前半が予測が合っているかどうか(合っていればTrue)、後半が予測結果を表しています。 上記の混同行列を元に、下記のような精度指標を求めることができます。 正確度(Accuracy):(TP+TN)/(TP+FP+FN+TN) サンプル全体の判定自体の精度 適合率(Precision):TP/(TP+FP) 陽性と判定されたサンプルのうち、実際に正解が陽性である率(誤検出の少なさ) 再現率(Recall)、感度(Sensitivity)、真陽性率(True positive rate):TP/(TP+FN) 正解が陽性であるサンプルのうち、正しく陽性と判定された率(見落としの少なさ) 偽陽性率(False positive ra
※サンプル・コード掲載 あらすじ 「フルーツの画像を判別するモデルを作ってくれませんか?」 と言われた時に、どのようにモデルを作りますか? ディープラーニングで画像分類を行う場合、通常畳み込みニューラルネットワークという学習手法を使いますが、画像の枚数によっては数週間程度がかかってしまいます。 また、学習に使用する画像の枚数も大量に用意しないといけません。 では、短時間・少ない画像から画像を分類するモデルを作るにはどうすればよいでしょうか。 その解決策として、画像分類でよく使われているfine tuningという手法をご紹介します。 今回はkeras2.0を使ってサンプルコードを書いて行きます。 *keras = Pythonで書かれたニューラルネットワークライブラリ。裏側でtheanoやtensorflowが使用可能。 fine tuning(転移学習)とは? 既に学習済みのモデルを転用
リリース、障害情報などのサービスのお知らせ
最新の人気エントリーの配信
処理を実行中です
j次のブックマーク
k前のブックマーク
lあとで読む
eコメント一覧を開く
oページを開く