在这些系列文章中，我们将讨论ML算法并在Python中实现它们，这些文章的主要重点是了解这些算法背后的数学和逻辑。我们将首先了解ML的基本术语。
1.分类算法
顾名思义，这些是将数据分为不同类别的分类算法。这是一种监督的学习技术。
2.监督学习
监督学习与通过监督或培训有关。在监督学习中，算法经过标记或分类的数据培训。
3.无监督的学习
无监督的学习与学习无监督或培训有关。在无监督的学习中，对算法进行了培训，这些数据既不标记也没有分类。在无监督的学习中，代理需要从模式中学习而无需相应的输出值。
4.横向损失
IS 是一种用于测量机器学习中的分类模型表现的度量。损失（或误差）的数量是在0到1之间的数字，其中0是一个完美的模型。
5.条件正（P）
数据中实际阳性案例的数量
6.条件负（n）
数据中实际负面案例的数量
7.真正的正（TP）
正确指示存在条件或特征的测试结果
8.真正的负（TN）
正确指示没有条件或特征的测试结果
9.假阳性（FP）
错误表明存在特定条件或属性的测试结果
10.假负（FN）
错误表明缺乏特定条件或属性的测试结果
11.混淆矩阵
它以矩阵形式为我们提供了模型的结果（如下所示）。我们使用它来测量模式的准确性。
| 实际积极 | 实际负面 | |
|---|---|---|
| 预测正 | true积极 | 假阴性 |
| 预测负面 | 假阴性 | true负面 |
12.曲线下的区域（AUC）
是曲线和X轴之间封装的区域。
13.接收器操作特征（ROC）
接收器操作特性（ROC）曲线，该曲线被定义为测试灵敏度的图，为y坐标与其1特异性或假阳性率（FPR）为X坐标
Wikipedia的此图像显示了Roc的精确定义。
如果您希望我在本文中包括其他任何术语，我将尽力包括它们。
参考
- https://www.javatpoint.com/classification-algorithm-in-machine-learning
- Park SH，Goo JM，Jo Ch。接收器操作特征（ROC）曲线：放射科医生的实践审查。韩国J Radiol。 2004 Jan-Mar; 5（1）：11-8。 doi：10.3348/kjr.2004.5.1.11。 PMID：15064554; PMCID：PMC2698108。
- https://en.wikipedia.org/wiki/Receiver_operating_characteristic
- https://developers.google.com/machine-learning/crash-course/classification/roc-and-auc