1.如果你是態度認真的機器學習工程師，你會花很長時間清洗數據。

2.對網絡提前訓練完全不同的事物，比從來沒有訓練過的網絡可以得到更好的結果。從某種角度講，神經網絡內部形成的特征，與你訓練的圖片類型無關。

3.敏感性與特異性
敏感性和特異性雖然與查準率和查全率相似，但并不相同。在癌癥示例中，敏感性和特異性指：
敏感性：在患有癌癥的所有人中，診斷正確的人有多少？
特異性：在未患癌癥的所有人中，診斷正確的人有多少？
查準率和查全率的定義如下：
查準率：在被診斷患有癌癥的所有人中，多少人確實得了癌癥？
查全率：在患有癌癥的所有人中，多少人被診斷患有癌癥？
從這里可以看出，敏感性就是查全率，但特異性并不是查準率。

4.假設我們有一個能夠輸出黑色素瘤概率的神經網絡。要將它分類為黑色素瘤或者非黑色素瘤，你會選擇哪個值作為閾值？

下圖是我們的模型對一組病變圖像所做的預測直方圖，如下所述：

• 水平軸上的每個點是從 0 到 1 的值?p。
• 在所有值?p?中，我們定位了被分類器預測概率 p 為惡性的所有病變。

在圖中，我們將 0.2、0.5 和 0.8 作為閾值。請注意：

• 在 0.2 下，我們正確分類了每個惡性病變，但也對許多良性病變進行了進一步檢查。
• 在 0.5 下，我們未診斷出一些惡性病變（嚴重），對少許良性病變進行了進一步檢查。
• 在 0.8 下，我們對大部分良性病變進行了正確分類，但未診斷出許多惡性病變（非常嚴重）。

在該模型中，可能會有更好的閾值。這個閾值是0.4。

5.ROC曲線

我們將真陽性率作為水平軸，將假陽性率作為垂直軸。

但是，這里，我們使用不同的 ROC 曲線，好像是把這個曲線側翻了一樣，如圖所示：

我們把敏感性作為水平軸、特異性作為垂直軸，就得到了這個曲線！

回想一下，水平軸上的值都是可能閾值。對于 0 和 1 之間的任何閾值?p，模型的結論如下：“該閾值左邊的所有病變都被視為良性，其右邊的所有病變都被視為惡性，并會接受進一步檢查?！?/span>

對于這個模型，我們對敏感性和特異性進行以下計算：

• 敏感性：在所有惡性病變中，位于閾值右側的病變（正確分類）的百分比是多少？
• 特異性：在所有良性病變中，位于閾值左側的病變（正確分類）的百分比是多少？

我們將（敏感性，特異性）作為坐標系，繪制出這個點。如果繪制出與 0% 和 100% 之間的每個可能閾值對應的所有點，則會得到上面繪制的 ROC 曲線。因此，也可以將 ROC 曲線稱為敏感性-特異性曲線。

假設我們建立了一個神經網絡，它能對每個圖像隨機返回一個 0 至 1 的數字。ROC 曲線會是什么樣？

答案是B。

6.發表在《自然》上的相關論文。

轉載于:https://www.cnblogs.com/paulonetwo/p/10066463.html

總結

以上是生活随笔為你收集整理的机器学习工程师 - Udacity 癌症检测深度学习的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。