案例解读：Canvas在翻转课堂中的的二分类预测应用

as功能。

锁上后的网页就如下方图的介面。

理论上来知道，都是有图表才有基本概念，不过在Canvas里头并能够实质上相同的顺序，先以移除图表或者先以移除基本概念都是可以的。

现在我们先以建起一个基本概念，双击“new model”，对model起一个可辨识的名字。方便更进一步提示。

我才会以我的目的以及版本操控来名称。在此次操控中的，起原是talk-vx（右图是第3次建起基本概念，所以名称为talk-v3）。

在网页中的必需import图表的模式，将s3中的bucket下sagemarker-studio-l中的读取的csv转换成到基本概念可选人范围中的，并选人入对应图表集。下方图为操控示意图。

在所有都操控就此结束后，必需对应的图表集，双击“select dataset”来确切图表集。

4. 通过目的区分回归与预见基本概念

在我的图表集中的，talk是这个使用者回应or能够回应，再次指明一下这个目的配置文件的含义，在talk两厅回应1min以上的为1，否则所加0。

在select a column to predict的央视下，必需talk为终究目的配置文件。Canvas很智能地辨别到了是二分类基本概念。

5. 建起基本概念

可以慢速速提示一下我们极高效叛将的理由，便可以通过quick build慢速速相为坚实基本概念，便才会则会定位到analysis页等待一段等待时间。

这个过程中的我们只须要等待，别的操控是能够的。

6. 进行时基本概念，回归结果

如右图右图，Canvas已经进行时了基本概念模拟，并返回了权重的结果。

1）权重概念仅仅只是

准确度在85.681%，看上去是不太好的理由了。但这里头须要指明一个疑问，什么是权重？

自然语言三检视中的的权重=预见对的偶数/整体的偶数。

我们这里头举个例子。在这个物理中的，假如有10个图表，6个是0，4个是1；而预见出的10个结果，6个0中的预见出了5个0，4个1中的预见出了2个1，那么这里头的正确叛将就是（5+2）/10 = 70%。

2）不可用权重作为评委标准的理由

Canvas也缺少了权重均的查询。可以锁上scoring的网页来看整个基本概念的预见理由。

在右图中的，须要想到最右侧的图表是400+的图表量，而在从前原文的，放到基本概念里头的图表是2000+的图表。

这里头就相同我们在可用自然语言三检视中的切分锻炼集和检测集图表的操控，切出来一均用花钱锻炼基本概念的预见。

通过白色与条状间距我们可以分辨到1是个小均，0是个大均，但在预见差错的理由中的，1预见为0的与0预见为1的这两种差错理由，图上的间距看上去是相近的。

但这里头有我们须要兼顾看真实的0和1的间距特有种，可以知道1预见差错的使用量/实质为1的使用量>0预见差错的使用量/实质为0的使用量。

所以可以很明了地想到不互补的图表用权重的量度模式并不靠谱。知道个软弱点儿的例子，1000条图表中的，999个0，1个1，就算把所有都预见为0，也能保证其较极高的权重，99.9%。但在这种理由下，99.9%的权重对我们实在预见时并能够什么用三处。因为1才是我们努力准确预见出来的。

3）必需混为一谈标量作为评委依据

所以这里头我们只用另一种模式来看，用混为一谈标量的模式来确实基本概念的；也。当然Canvas也缺少了提示混为一谈标量的正门。双击“advanced metrics”来提示混为一谈标量。

混为一谈标量中的，我们须要定义什么是正例，正例就是我们为了让的那个记过，在我们这个例子中的，

因为我们要想到的预见人是回应的人，也就是talk = 1。于是在左上角“positive class”下必需“1”，那么我们可以很不易想到该基本概念在权重与改派叛将两多方面的理由，分别是62.887%和70.115%。都不是特别极高的理由。

4）混为一谈标量慢速速明白

关于混为一谈标量，为了方便明白，通过一个小例子强调几个整体概念。

比如我们从一群人中的通过图表预见出女教师。

那么权重就是TP/(TP+FP)，这个值低就是把男孩子也预见为女教师，知道明把我们不让见到的也回去出来了。 那么改派叛将就是TP/(TP+FN)，这个值低就是把女教师预见为了男孩子，知道明把我们想见到的也没能回去出来。

5）Canvas可以有来得短等待时间有来得极高的基本概念特性

搬回上面的例子，可以想到这权重和改派叛将这两个都不是特别极高的水平，低于80%。

那么这样的例子，可以知道是Canvas的基本概念模拟水平太低嘛？

当然不可以这么荒谬地下结论。

因为自然语言三检视基本概念的结果就让，有两种可能：

第一种是图表就让，所谓“garbage in，garbage out”。 第二种是基本概念选人取的就让，每个基本概念都有其一般来知道边界，表现的；也。

当然这两个可能都能够办法实质上断定。

但用另一种方法来确实，拿这个图表通过python花钱过基本概念，来进行自己花钱的基本概念必需的算法必需了形式化回归基本概念。下方的LR即为必需的结果。

经过调参后，权重60.85%，改派叛将65.84%。在促使调参便特性并不如Canvas三检视的好。

如果去可用Canvas的话，也就是耗用了1/10的等待时间与精力，就根本能够想得到来得极高的特性，那么就可以大大降低日常工作效叛将。

搬回上面的话题，通过这两次的较为，整体断定的是图表质量不极高导致的。

须要对图表极高效叛将或者图表量须要正因如此。可以权衡：

用来得多的极高效叛将或换成来得依赖于的极高效叛将 来得多的图表量来重新锻炼。 五、回归统计分析目的

那么回归最初的统计分析目的。

通过班上在历史上图表进行机器学习，须要相为坚实预见使用者回应与否的基本概念。 须要尝试确切哪些举动对辨别回应较为最主要，作为更进一步电子产品条线路的一个权衡抓手。 1. 第一个统计分析目的回归

在第一个统计分析目的上，能够实现得极其好。但Canvas的结果比自己花钱的特性好，且等待时间来得短。所以可以采用Canvas的结果，用Canvas整合的基本概念来预见更进一步的理由。

同时这里头可以权衡两个迭代一段距离：

一个是在必需图表极高效叛将多方面，须要直觉见到来得多形式化上就其的可能图表极高效叛将； 另一个是在图表量多方面，依靠来得多的企业图表来锻炼基本概念。

但是，在能够来得极高的战略时，Canvas的基本概念结果是一个意味著可以权衡采纳的结果。

2. 第二个统计分析目的回归

在第二个统计分析目的上，可以初步见到须要关注的极高效叛将。

可以从这个右侧极高效叛将因素相对上须要想到哪些极高效叛将是对预见回应理由有作用的极高效叛将。

从前6个极高效叛将分别是：

驻留在talk两厅的间隔等待时间； 驻留在科目与talk两厅的总间隔等待时间； 看其他科目并发送通告互动的使用量； 订阅到现在的等待时间天数； 驻留在代课他的学生三处的间隔等待时间； 周有名天数。

这些是可以权衡的从前6个极高效叛将，但有个额外请注意的概要，单纯地降低talk两厅的间隔等待时间是能够意义的，所以须要每一次去看什么与talk两厅驻留间隔等待时间就其，那些驻留间隔等待时间来得长的与来得短的区别在哪些多方面等等。

当然这些都是与企业交集阻截的工序，但可能是见到了每一次可以权衡的抓手一段距离。

六、为了让与阐述

在可用过程中的对Canvas有两个为了让：

须要连上公司的图表库，领到图表来得方便，这样须要来得慢速去选人取图表并相为坚实锻炼基本概念。 须要将图表预见就此结束后的结果返回，例如有返回结果api硬件。这样就能特别设计更进一步线上的互动初等教育花钱到来得慢速速又合适的配对了。 阐述

Canvas是一个极其方便慢速捷极高效的运用软件，它的好三处如下：

1）单纯慢速捷易操控，通过转换成图表、quick build等慢速捷进行时短等待时间极高特性的基本概念锻炼。相比较于自己基本概念所写代码，锻炼基本概念且促使调参，Canvas大幅提高来得极高的特性也就耗用1/10的等待时间。

2）因为基本概念的特性来得极高，锻炼更快来得慢速，可以在特征二期工程花钱完便，慢速速对图表理由有个把握，这些图表须要锻炼到什么相对。当然能够特别好的特征二期工程三检视的话，就可以用形式化缩小范围，促使相为坚实基本概念尝试，见到同样的主要用途分类的世界观。

3）须要在基本概念结果驱动后，想得到基本概念中的的极高效叛将最主要性，可以权衡作为就其的抓手世界观.

编者：李猛

本文由 @三法 原创发布于从来不都是电子产品经理。未经许可，禁止转载

题图来自 Unsplash，基于CC0协议。

。

天津妇科专科医院有哪些
北京看妇科哪个医院最好
北京白癜风专科医院哪家好
苏州治疗男科医院
胃肠型感冒怎么引起的