精华内容
下载资源
问答
  • MACD指标详解

    千次阅读 2019-01-26 13:10:04
    MACD指标详解
                    MACD由Gerald Appel发明,全称为均线集中分叉(Moving Average Convergence Divergence),是最为简单同时又最为可靠的指标之一。MACD使用滞后性的均线指标,来显示趋势特征。当用长均线减去短均线后,这些滞后指标就 成为了一个动力振荡指标(Momentum oscillator)。其结果是它构造了一根在零点线上下摆动的振荡线,并且没有上下幅度限制。

    MACD公式

    最常用的标准MACD是26日和12日指数均线的差。这是为很多技术分析程序所采用的。Appel和其它一些人也尝试采用其它的设置去适应快一些或慢一些的价格变化。比如,用相对短的均线可以产生更快速灵敏的指
    标;而使用长均线可以产生一个较为迟钝的指标,对短距离的上下波动不容易反应。在本文中,我们将使用12/26MACD做解释。

    在二根构成MACD的均线中,12日EMA是快线,26日EMA是慢线,二根均线均使用收盘价计算。经常性的是,我们会使用一根9日EMA覆盖于MACD 作为触发线。当MACD交错过9日EMA并居于其上方时,这是牛市信号;相反,MACD交错后在9日EMA线之下,是熊市信号。在下面的美林公司的股票图 表中,绿色线是12日EMA,蓝色线是26日EMA,它们覆盖于价格图之上。MACD显示于价格图下方的图表中,为粗黑线;同时拌有9日EMA线,为细蓝 色线。柱状图代表MACD和9日EMA的差别。当MACD高于9日EMA,则柱状线为正数,反之为负数。

    MACD是根据两条不同速度的指数平滑移动平均线来计算两者之间的离差状况作为行情研判的基础,实际是运用快速与慢速移动平均线聚合与分离的征兆,来判断 买进与卖出的时机与信号,在实际操作中,MACD指标不但具备抄底(价格、MACD背离时)、捕捉强势上涨点(MACD连续二次翻红时买入)的功能,而且 能够捕捉最佳卖点,帮助投资者成功逃顶。其常见的逃顶方法有:

    1、股价横盘、MACD指标死叉卖出。指股价经过大幅拉升后横盘整理,形成一个相对高点,MACD指标率先出现死叉,即使5日、10日均线尚未出现死叉,亦应及时减仓。

    2、假如MACD指标死叉后股价并未出现大幅下跌,而是回调之后再度拉升,此时往往是主力为掩护出货而再最后一次拉升,高度极为有限,此时形成的高点往往 是一波行情的最高点,判断顶部的标志是“价格、MACD”背离,即当股价创出新高,而MACD却未能同步创出新高,两者的走势出现背离,这是股价见顶的可 靠信号。



    MACD指标使用详解

    MACD是Moving Average Convergence Divergence的缩写,中文翻译为平滑异同移动平均线,主要是利用长短期的二条平滑平均线,计算两者之间的差离值,作为研判行情买卖之依据。
    算法:
                  DIFF线 收盘价短期、长期指数平滑移动平均线间的差
                  DEA线  DIFF线的M日指数平滑移动平均线
                  MACD线 DIFF线与DEA线的差,彩色柱状线
                  参数:SHORT(短期)、LONG(长期)、M 天数,一般为12、26、9

    用法:
                 1.DIFF、DEA均为正,DIFF向上突破DEA,买入信号。
                 2.DIFF、DEA均为负,DIFF向下跌破DEA,卖出信号。
                 3.DEA线与K线发生背离,行情反转信号。
                 4.分析MACD柱状线,由正变负,卖出信号;由负变正,买入信号。

    MACD应用文章1号:

      MACD指标是基于均线的构造原理,对价格收盘价进行平滑处理(求出算术平均值)后的一种趋向类指标。它主要由两部分组成,即正负差(DIF)、异同 平均数(DEA),其中,正负差是核心,DEA是辅助。DIF是快速平滑移动平均线(EMA1)和慢速平滑移动平均线(EMA2)的差。

      在现有的技术分析软件中,MACD常用参数是快速平滑移动平均线为12,慢速平滑移动平均线参数为26。此外,MACD还有一个辅助指标——柱状线 (BAR)。在大多数技术分析软件中,柱状线是有颜色的,在低于0轴以下是绿色,高于0轴以上是红色,前者代表趋势较弱,后者代表趋势较强。

      下面说一下使用MACD指标所应当遵循的基本原则:

      1.当DIF和DEA处于0轴以上时,属于多头市场,DIF线自下而上穿越DEA线时是买入信号。DIF线自上而下穿越DEA线时,如果两线值还处于0轴以上运行,仅仅只能视为一次短暂的回落,而不能确定趋势转折,此时是否卖出还需要借助其他指标来综合判断。

      2.当DIF和DEA处于0轴以下时,属于空头市场。DIF线自上而下穿越DEA线时是卖出信号,DIF线自下而上穿越DEA线时,如果两线值还处于0轴以下运行,仅仅只能视为一次短暂的反弹,而不能确定趋势转折,此时是否买入还需要借助其他指标来综合判断。

      3.柱状线收缩和放大。一般来说,柱状线的持续收缩表明趋势运行的强度正在逐渐减弱,当柱状线颜色发生改变时,趋势确定转折。但在一些时间周期不长的MACD指标使用过程中,这一观点并不能完全成立。

      4.形态和背离情况。MACD指标也强调形态和背离现象。当形态上MACD指标的DIF线与MACD线形成高位看跌形态,如头肩顶、双头等,应当保持 警惕;而当形态上MACD指标DIF线与MACD线形成低位看涨形态时,应考虑进行买入。在判断形态时以DIF线为主,MACD线为辅。当价格持续升高, 而MACD指标走出一波比一波低的走势时,意味着顶背离出现,预示着价格将可能在不久之后出现转头下行,当价格持续降低,而MACD指标却走出一波高于一 波的走势时,意味着底背离现象的出现,预示着价格将很快结束下跌,转头上涨。(见下面MACD实际应用技巧提高)

      5.牛皮市道中指标将失真。当价格并不是自上而下或者自下而上运行,而是保持水平方向的移动时,我们称之为牛皮市道,此时虚假信号将在MACD指标中 产生,指标DIF线与MACD线的交叉将会十分频繁,同时柱状线的收放也将频频出现,颜色也会常常由绿转红或者由红转绿,此时MACD指标处于失真状态, 使用价值相应降低。


                 在众多的技术指标中,MACD是一种既简单又实用的指标之一,比较适合初涉股海又想掌握一定技术指标的中小投资者使用。下面就谈谈MACD的运用法则:

                 1、利用DIF和DEA的取值和这两者之间的相对取值进行行情预测。 

                 (1)DIF和DEA均为正值时,属多头市场,DIF向上突破DEA是买入信号,DIF向下跌破DEA只能认为是回档。  (2)DIF和DEA均为负值时,属空头市场,DIF向下突破DEA是卖出信号,DIF向上突破只能认为是反弹。 

                  用DIF的曲线形状进行分析,主要是利用指标相背离的原则。具体为:如果DIF的走向与股价走向相背离,则是采取具体行动的时间。

      但是,根据以上原则来指导实际操作,准确性并不能令人满意。综合运用5日、10日均价线,5日、10日均量线和MACD,其准确性大为提高。

      (1)股价在经过漫长的下跌后,开始筑底,随后股价开始缓慢回升,5日、10日均价线,5日、10日均量线和MACD都出现黄金交叉点,简称三金叉, 这时是股价见底的信号,而交叉的次数越多,且见底部不断提高,则准确性越高,该股即将走出一波上升行情。如:0933神火股份,在2000年1月5日,该 股5日、10日均价线,5日、10日均量线和MACD同时在底部金叉,即三金叉出现,此时即为介入的最佳时机,随后该股出现了一波强劲的上攻行情,在3个 月时间内,股价由10.69元上升到17.50元,升幅达70%。

      (2)当股价经过一轮大涨,受到众多中小投资者的追捧,主力开始派发,这时出现5日、10日均价线,5日、10日均量线和MACD同时死叉,则是卖出 的最佳时机,这时若稍有迟疑,股价便会一泻千里。如0722金果实业,因2000年3月9日三死叉出现,是强烈的卖出信号,随后股价展开一轮暴跌,在短短 2个月内,由27.17元跌至13.46元,跌幅惊人。主力出逃后,随之而后的是连续阴跌。

    MACD应用文章2号:

    在股市投资中,MACD指标作为一种技术分析的手段,得到了投资者的认知。但如何使用MACD指标,才能使投资收益达到最佳境界,却是知者甚微。技术分析 作为股市一种投资分析的工具,有两大功能。首先是发现股市的投资机会,其次则是保护股市中的投资收益不受损失。在股市操作中,MACD指标在保护投资者利 益方面,远超过它发现投资机会的功效,MACD指标作为中长期分析的手段,它所产生的交叉信号,对短线买卖比较滞后。MACD指标属于大势趋势类指标,它 由长期均线MACD,短期均线DIF,红色能量柱(多头),绿色能量柱(空头),0轴(多空分界线)五部分组成。它是利用短期均线DIF与长期均线 MACD交叉作为信号。MACD指标所产生的交叉信号较迟钝,而作为制定相应的交易策略使用效果较好,具体使用方法如下:

    1    当DIF,MACD两数值位于0轴上方时,说明大势处于多头市场,投资者应当以持股为主要策略。
    若DIF由下向上与MACD产生交叉,并不代表是一种买入信号,而此时的大盘走势,已是一个短期高点,应当采用高抛低吸的策略。一般情况下,在交叉信号产 生后的第二天或第三天,会有一个回调低点,此刻可以再行买入,达到摊低成本的目的。若DIF由上向下交叉MACD时,说明该波段上升行情已经结束,通常行 情会在交叉信号产生后,有波象样的反弹,已确认短期顶部的形成,此时投资者可以借机平仓出局。在之后的调整中,利用随机指标KDJ,强弱指标KSI再伺机 介入,摊低操作成本。若DIF第二次由下向上与MACD交叉,预示着将产生一波力度较大的上升行情,在交叉信号产生后,投资者应当一路持股,直到DIF再 次由上向下交叉MACD时,再将所有的股票清仓,就可以扛着钱袋回家休息了。由于股市行情的变化多端,MACD指标常会与K线走势图呈背离的走势,通常称 为熊背离。既K线走势图创出近期的第二个或第三个高点,MACD指标并不配合出现相应的高点,却出现相反的走势,顶点在逐步降低。次种现象应引起投资者的 警觉,因为它预示着今后将有大跌行情产生,所以投资者宜采用清仓离场的策略,使自己的股票避免被套,资金避免受到损失。

    2    当DIF与MACD两指标位于0轴的下方时,说明目前的大势属于空头市场,投资者应当以持币为主要策略。
    若DIF由上向下交叉MACD时,会产生一个调整低点。一般情况下,在此之后由一波反弹行情产生,这是投资者一次很好的平仓机会。在中国股市中,目前还没 有建立作空机制,因此股市一旦进入空头市场,投资者最好的策略就是离场观望。投资者可以在股票贬值的同时,使手中的资金得到增值。若DIF由下向上交叉 MACD时,会产生近期的一个高点,投资者应当果断平仓。这种信号的产生,一般以反弹的性质居多。在空头市场中,每次反弹都应当视为出货的最佳良机。尤其 需要引起注意的是,若DIF第二次由上向下交叉MACD时,预示着今后会有一波较大的下跌行情产生。投资者应当在交叉信号产生后,坚决清仓出局。通常产生 的这段下跌,属于波浪理论中的C浪下跌,是最具杀伤力的一波下跌。只有躲过C浪下跌,才可以说真正在股市中赚到了钱。在空头市场经过C浪下跌以后,偶尔也 会发生MACD指标与K线走势图产生背离的现象,通常称为牛背离。既K线走势图出现第二或第三个近期的低点,MACD指标并没有相应的低点产生,却出现一 底高过一底的相反走势,这种现象的产生,预示着行情在今后会发生反转走势,投资者应当积极介入,因为目前的市场根本没有风险。

    3    当MACD指标作为单独系统使用时,短线可参考DIF走势研判。
    若DIF由上向下跌穿O轴时可看作大势可能步入空头市场,预示着大势将走弱,应当引起投资者的警觉。在空头市场中,投资者承受的风险高于收益。若MACD 由上向下跌空O轴时,确认大势进入空头市场。投资者应采用离场观望的策略,以回避市场风险,使牛市中赚到的利润得到保障。若DIF由下向上穿越O轴时,可 看作大势可能布入多头市场。预示着大势将走强,操作上应部分资金参与。若MACD由下向上穿越O轴时确认大势 进入多头市场。投资者可以大胆持股,积极介入。在多头市场中,获得的收益高于承担的风险。 

    4    在MACD指标中,红色能量柱和绿色能量柱,分别代表了多头和空头能量的强弱盛衰。它们对市场的反应,要比短期均线DIF在时间上提前。在MACD指标 中,能量释入的过程,是一个循序渐近的过程,通常是呈逐渐放大的。在东方哲学中讲求,”阳盛则衰.阴盛则强”.在使用能量柱时,利用红色能量柱结合K线走 势图就得出,当K线走势图近乎90度的上升,加之红色能量柱的快速放大,预示着大势的顶部已近.尤其是相邻的两段红色能量柱产生连片时,所爆发的行情将更 加迅猛.反之,在空头市场中,这种现象也成立.在熟悉了这种操作手法后,对投资者逃顶和抄底将大有益处。

    5    在使用MACD指标过程中,有两点需要注意,
    第一,MACD指标对于研判短期顶部和底部,并不一定可信,只有结合中期乖离率和静态钱龙中的ADR指标,才可以判定。
    第二,利用周线中的MACD指标分析比日线的MACD指标效果好。 

    总之,在使用MACD指标时必须判定市场的属性。即目前的市场是多头市场,还是空头市场。根据不同的市场属性,采取不同的操作策略,以回避风险,保障利润 的目的。具体操作中,MACD的黄金交叉一般是重要的买入时机.首先,就其要点分析,当DIF和MACD两线在0轴之下且较远时由下行转为走平,且快线 DIF上穿慢线MACD形成的金叉是较佳的短线买入时机,但必须注意DIF和MACD距离0轴远近的判断主要根据历史记录作为参考.而发生在0轴之上的金 叉则不能离0轴太远,否则其可靠性将大大降低.比较倾向于在红海洋既红柱连成一片区,在0轴上方DIF正向交叉MACD形成金叉,其中线可靠性较好.同时 这也符合强势市场机会多,弱势市场难赚钱的股市道理.

    ===================================================================================================

    MACD实际应用技巧提高:

    1:在实际使用中股民可能感觉到,如果完全按照金叉买进、死叉卖出,获利较难或还有可能套牢亏损。因此,在这里建议可以使用一种低位两次金叉买进的方法。 MACD在低位发生第一次金叉时,股价在较多情况下涨幅有限,或小涨后出现较大的回调,造成买进的股民出现套牢亏损情况。但是当MACD在低位第二次金叉 出现后,股价上涨的概率和幅度会更大一些。因为在指标经过第一次金叉之后发生小幅回调,并形成一次死叉,此时空方好象又一次的占据了主动,但其实已是强弩 之末,这样在指标第二次金叉时,必然造成多方力量的发力上攻。

    参数设置快速ema12, 慢速ema26
    使用方法 :
    随股价上升macd翻红,即白线上穿黄线(先别买),其后随股价回落,dif(白线)向macd(黄线)靠拢,当白线与黄线粘合时(要翻绿未翻绿),此时 只需配合日k线即可,当此时k线有止跌信号,如:收阳,十字星等。注意,在即将白黄粘合时就要开始盯盘囗,观察卖方力量),若此时能止跌称其为”底背 驰”. 底背驰是买入的最佳时机 !!
    可随意取例,无数个股底部均有此现象.例 600771东盛科技     2004年5月26日以及 600491龙元建设2004年7月28日还有000039中意集团2004年7月13日 等等,举不胜举.

    反之,当股价高位回落,macd翻绿,再度反弹,此时当dif(白线)与macd(黄线)粘合时[要变红未变红]若有受阻,如收阴,十字星等,就有可能” 顶背驰”是最后的卖出良机!!!此时许多人以为重拾升势,在别人最佳卖点买入往往被套其中.例子也很多,网友们自己去把握。

    但是在操作时要注意:
    a.背驰时不理是否击穿或突破前期高(低)位
    b.高位时只要有顶背驰可能一般都卖,不搏能重翻红,除非大阳或涨停.
    c.其为寻找短期买卖点的奇佳手段,短期幅度15%以上,但中线走势要结合长期形态及其他.  


    2:关于MACD的实战经验修正

      首先,建议MACD使用周期必须缩小到分时K线。

      MACD本身就是以追逐趋势为主,属于中长型指标,按照日线MACD操作需要具备非常优秀的心理素质。据观察,大部分投资者根本不可能连续很多个交易 日都能承受巨大的资金权益波动,因而按照MACD日线周期操作明显抬高了投资者的操作成本,使投资者原本沉重的心理负担变得更加超负荷运行。关键在于:日 线周期的MACD波动得非常缓慢,经常在市场行情已经发生了天翻地覆的变化之后才步履蹒跚地发出已经迟得不能再迟的信号,此时介入将导致投资者的利润大幅 度缩水。实际上MACD完全可以缩小到分时K线中使用。至于使用5、15、30、60分钟哪一种分时MACD,我们可以参照指标周期共振综合使用,或者投 资者可以挑选自己擅长的分时周期使用。在期货市场上,MACD在分时K线中使用效果比较显著。

      其次,要充分地使用MACD的顶底背驰信号。

      这是市场最明显的警示性信号,很难被人为操纵(因为MACD运算较为复杂,属于趋势追逐性工具,某些投资力量对顶底背驰信号进行骗线操作时经常力不从心)。


    3:在实战中注意MACD“山峰”和“谷底”

      1.在多头趋势中,DIFF向下交叉DEA,形成了一个“山峰”,每次遇到这种情况我们一定要看清楚:这个“山峰”的位置和前几次“山峰”的位置相比,是高了还是低了,与此相对应的K线走势是逐步抬高还是在逐步降低。

      如果K线走势逐步抬高,几个“山峰”也在同时稳步上行,此时投资者可安心持有多头仓位,等到K线价格有效跌破了普通移动平均线的重要支撑,再全部平仓。需要指出的是,空头投资者此时的风险却变得极大,此时不可逆势进行波段性空头操作。

      关键点在于,如果K线走势逐步抬高,却突然出现与之相反、连续下降的“山峰”,形成了K线走势和MACD“山峰”的顶背驰,此时投资者应该立刻开始逐步平仓离场。这种情况往往意味着多头主力在拉高出货,价格的上涨往往是一种表面上的假象。

      2.在空头趋势中,DIFF向上交叉DEA,形成了一个“谷底”,同样每次遇到这种情况,我们一定要看清楚:这个“谷底”的位置和前几次“谷底”的位置相比,是高了还是低了,与此相对应的K线走势是逐步抬高还是在逐步降低。

      如果K线走势逐步降低,几个“谷底”也在同步缓缓下滑,出现了K线走势和MACD谷底背离,此时投资者必须坚决持有空头头寸,除非K线价格有效向上突破了普通移动平均线的重要压力,再全部平仓。此时,多头投资者风险极大,不可逆势进行波段性多头操作。

      一定要注意,如果K线走势逐步降低,“谷底”突然与之相反连续上升,投资者应该考虑开始逐步平仓离场。这种情况往往意味着空头主力在压盘出货,价格的下跌带有诱骗性。

      总之,MACD是移动平均线最好的使用“伴侣”,投资者应在行情走势中多加运用,具体使用情况随品种不同和市场行情不同而有变化,要灵活运用。




    4:MACD底背驰买入法

    MACD底背驰有两种情况:一种是负(绿)柱峰底背驰,另一种是两条曲线底背驰。
      
    ①负(绿柱峰)底背驰买入法。  
    A、负(绿)柱峰一次底背驰买入法。  
      特征:只有两个负柱峰发生底背驰。这是较可信的短线买入信号。两个负柱峰发生底背驰时,买入时机可采用“双二”买入法,即:在第二个负柱峰出现第二根收缩绿柱线时买入,这样可买到较低的价位。
    例①:山推股份(000680),2003年1月22日,负柱峰出现了底背驰(与2002年11月22日低点的负柱峰相比较),2003年1月7日在第二 个负柱峰出现第二根收缩绿柱线,以当天均价7.86元买入,买在较低价位。例②:桂柳工(000528),2003年6月24日出现了负柱峰底背驰(两峰 相连底背驰),6月26日第二个负柱峰出现第二根收缩绿柱线,以当天均价10元买入,买在了调整波段的低位。  

    B、负(绿)柱峰二次底背驰买入法。  
      MACD负柱峰发生两次底背驰是较可信的买入信号。买入时机:第三个负柱峰出现第一根或第二根收缩绿柱线时。
    例①:深深房(000029),2002年6月5日,负柱峰出现了两次底背驰,6月6日第三个负柱峰出现第一根收缩绿柱线,以当天均价7.60元买入,6 月25日以均价11.90元卖出,每股赚4.30元,13个交易日获利56%。例②:龙腾科技(600058),2002年6月5日,负柱峰出现二次底背 驰,以当天均价13.20元买入,6月24日以均价15.40元卖出,每股赚2.20元,11个交易日获利16.6%。  

    C、负柱峰复合底背驰买入法。  
      特征:负柱峰第一次底背驰后,第三个负柱峰与第二个负柱峰没有底背驰,却与第一个负柱峰发生了底背驰,称为“隔峰底背驰”。这是可信的买入信号。买入时机:第三个负柱峰出现第一根或第二根收缩绿柱线时。
    例①:全兴股份(600779),2003年5月14日,负柱峰出现复合底背驰(与2003年3月20日及2003年4月9日的负柱峰相比较),5月15 日第三个负柱峰出现第一根收缩绿柱线,以当天均价买入,获利颇丰。例②:京东方(000725),2003年5月13日出现负柱峰复合底背驰,5月16日 第三个负柱峰出现第二根收缩绿柱线,以当天均价9.10元买入,6月13日以均价10.40元卖出,每股赚1.30元,19个交易日获利14.2%。


    ②负柱峰与MACD两曲线同时出现底背驰时,买入信号较可靠,可积极买入。
    例:中技贸易(600056),2003年1月6日,负柱峰与MACD两曲线同时出现底背驰,引发了一波强劲的上升行情。2003年1月初,深、沪两市有一批个股是出现了负柱峰与MACD两曲线同时底背驰的情况,这些个股在2003年上半年均有不俗的表现。  

    ③MACD两条曲线两次底背驰或复合底背驰,有较大机会出现中、长期底部。  

    ④MACD负柱峰及两曲线底背驰大多数在股价处于60日均线下方运行之时出现。股价在60天均线上方运行的强势市场较少出现,一旦出现可积极买入。




    5:MACD两曲线“死叉后再快速金叉”买入法  
    此方法要满足的条件是:
    MACD两曲线死叉在3个交易日内再重新金叉。这种情况出现,表明主力洗盘凶狠,故意制造MACD死叉的假象,这样更会使不坚定者出局,后市有利于主力拉抬。买入时机:MACD两曲线重新金叉且当天出现放量阳线时。  


    6:活用“探底器”,寻觅真底部
      在此介绍一种利用MACD与30日均线配合起来寻找底部的办法,可剔除绝大多数的无效信号,留下最真最纯的买入信号。其使用法则:MACD指标中 DIF线在0轴以下与MACD线金叉后没有上升至0轴以上,而是很快又与MACD线死叉,此时投资者可等待两线何时再重新金叉,若两线再度金叉(在0轴以 下)前后,30日平均线亦拐头上行,这表明底部构筑成功,随后出现一波行情的可能性较大。

    例1:宁夏恒力(600165)上市以来共出现过两次这样的信号,每次出现后均出现一波较大的行情,第一次:股价从98年11月开始持续阴跌,99年1月 11日金叉之后便在2月1日死叉,3月4日两线再度金叉,随后30日亦开始拐头上行,该股筑底成功,很快展开翻番行情。第二次:该股自99年11月18日 起DIF线与MACD线在0轴以下共出现三次金叉与死叉,期间30日均线保持下行态势,显示底部并未构筑成功,最后一次金叉是2000年1月20日,1月 24日30日均线便开始拐头上行,此时股价尚在9元多,随后该股振荡走高,升势至今未止。MACD中的两线在0轴以下金叉、死叉的次数越多,说明该股筑底 时间越长,一旦反转后向上的空间越广阔。

    例2:如川投控股(600674)自99年6月以来构筑一条下降通道,期间MACD线与DIF在0轴下方发生金叉与死叉共计七次,但均未能扭转回调走势, 30日均线亦一直保持下行态势,最后一次金叉出现在2000年1月21日,当天30日拐头上行,同时收一根放量中阳线,发出一个强烈的见底回升信号,该股 自此形成重要底部,至今年初累计涨幅达四倍!可见,利用MACD指标与30日均线,犹如底部的“探测器”,两者结合起来,无论“真底”藏在何方,都能较轻 易地探测出。

    注:本文转自快樂無限Blog,入市风险自负           

    再分享一下我老师大神的人工智能教程吧。零基础!通俗易懂!风趣幽默!还带黄段子!希望你也加入到我们人工智能的队伍中来!https://blog.csdn.net/jiangjunshow

    展开全文
  • 文章目录0 本文简介1 二分类指标1.1 二...我们使用精度来评估分类性能,使用R2R^2R2评估回归性能,但是监督模型在给定数据集上的表现多种方法。我们还有很多评估指标,本文简要介绍二分类指标、多分类指标,以及...

    0 本文简介

    我们使用精度来评估分类性能,使用 R 2 R^2 R2评估回归性能,但是监督模型在给定数据集上的表现有多种方法。我们还有很多评估指标,本文简要介绍二分类指标、多分类指标,以及浅谈回归问题的评价问题。
    相关笔记:
    机器学习(一)之 2万多字的监督学习模型总结V1.0:K近邻、线性回归、岭回归、朴素贝叶斯模型、决策树、随机森林、梯度提升回归树、SVM、神经网络
    机器学习(二)之无监督学习:数据变换、聚类分析
    机器学习(三)之数据表示和特征工程:One-Hot编码、分箱处理、交互特征、多项式特征、单变量非线性变换、自动化特征选择
    机器学习(四)之参数选择:交叉验证、网格搜索
    机器学习(五)之评价指标:二分类指标、多分类指标、混淆矩阵、不确定性、ROC曲线、AUC、回归指标

    1 二分类指标

    对于二分类问题,我们通常会说正类(positive class)和反类(negative class),而正类是我们要寻找的类。在评估二分类问题时,往往会出现很多问题。

    1.1 二分类时的错误类型

    在二分类问题中,精度并不能很好地度量分类性能。比如,在使用模型诊断癌症时,如果测试结果为阴性,那么认为患者是健康的,而如果测试结果为阳性,患者则需要接受额外的筛查。这里我们将阳性测试结果(表示患有癌症)称为正类,将阴性测试结果称为反类

    一种可能的错误是健康的患者被诊断为阳性,导致需要进行额外的测试。这给患者带来了一些费用支出和不便(可能还有精神上的痛苦)。错误的阳性预测叫作假正例(false positive)。另一种可能的错误是患病的人被诊断为阴性,因而不会接受进一步的检查和治疗。未诊断出的癌症可能导致严重的健康问题,甚至可能致命。这种类型的错误(错误的阴性预测)叫作假反例(false negative)。在统计学中,假正例也叫作第一类错误(type I error),假反例也叫作第二类错误(type II error)。

    1.2 不平衡的数据

    如果在两个类别中,一个类别的出现次数比另一个多很多,那么错误类型将发挥重要作用。例如。我们一共有100个病人,其中99人是健康的(阴性、反类),1人是患癌症的(阳性、正类),那么这种数据集就是不平衡数据集(imbalanced dataset)或者具有不平衡类别的数据集(dataset with imbalanced classes)。在实际当中,不平衡数据才是常态。

    在这个数据集中,我们即使预测得到99%的分类精度,也不代表我们模型的泛化性能就好。有一种可能·就是,我们把99个健康的预测正确了,而1个患病的没有预测正确,这会导致非常严重的后果,因此精度在这里就不适用了。

    1.3 混淆矩阵

    对于二分类问题的评估结果,一种最全面的表示方法是使用混淆矩阵(confusion matrix)。混淆矩阵主对角上的元素对应于正确的分类,而其他元素则告诉我们一个类别中有多少样本被错误地划分到其他类别中。混淆矩阵如下表所示:

    预测为正类预测为反类
    真实正类TPFN
    真实反类FPTP

    真正例(TP):true positive,将正类中正确分类的样本。

    真反例(TN):true negative,将反类中正确分类的样本。

    假正例(FP):false positive,反类预测为正类的样本。

    假反例(FN):false negative,正类预测为反类的样本。

    总结混淆矩阵包含信息的方法:

    1、精度:正确预测的数量(TP 和TN)除以所有样本的数量(混淆矩阵中所有元素的总和)
    A c c u r a c y = T P + T N T P + T N + F P + F N Accuracy = \frac {TP + TN}{TP + TN + FP + FN} Accuracy=TP+TN+FP+FNTP+TN

    2、准确率:度量的是被预测为正例的样本中有多少是真正的正例
    P r e c i s i o n = T P T P + F P Precision = \frac {TP}{TP + FP} Precision=TP+FPTP
    如果目标是限制假正例的数量,那么可以使用准确率作为性能指标。准确率也被称为阳性预测值(positive
    predictive value,PPV)。

    3、召回率:度量的是正类样本中有多少被预测为正类
    R e c a l l = T P T P + F N Recall = \frac {TP}{TP + FN} Recall=TP+FNTP
    如果我们需要找出所有的正类样本,即避免假反例是很重要的情况下,那么可以使用召回率作为性能指标.。召回率又称为灵敏度(sensitivity)命中率(hit rate)真正例率(true positive rate,TPR)

    在优化召回率与优化准确率之间需要折中。如果我们预测所有样本都属于正类,那么可以轻松得到完美的召回率——没有假反例,也没有真反例。但是,将所有样本都预测为正类,将会得到许多假正例,因此准确率会很低。反之,准确率将会很完美,但是召回率会非常差。

    4、f-分数

    将准确率和召回率进行汇总的一种方法是f-分数(f-score)f-度量(f-measure),它是准确率与召回率的调和平均:
    F = 2 ⋅ p r e c i s i o n ⋅ r e c a l l p r e c i s i o n + r e c a l l F = 2\cdot \frac {precision \cdot recall}{precision + recall} F=2precision+recallprecisionrecall
    实际上,
    F = 2 ⋅ T P 2 ⋅ T P + F N + F P F = \frac {2\cdot TP}{2\cdot TP +FN + FP} F=2TP+FN+FP2TP
    也被称为f1-分数(f1-score)。由于同时考虑了准确率和召回率,所以它对于不平衡的二分类数据集来说是一种比精度更好的度量。f- 分数似乎比精度更加符合我们对好模型的直觉。然而,f- 分数的一个缺点是比精度更加难以解释

    可以使用classification_report这个函数,同时计算准确率、召回率和f1- 分数,并以美观的格式打印出来。但是选择哪个类作为正类对指标有很大影响。

    1.4 考虑不确定性

    大多数分类器都提供了一个decision_functionpredict_proba方法来评估预测的不确定度。预测可以被看作是以某个固定点作为decision_functionpredict_proba输出的阈值——在二分类问题中,我们使用0 作为决策函数的阈值,0.5 作为predict_proba的阈值。

    如果准确率比召回率更重要,或者反过来,或者数据严重不平衡,那么改变决策阈值是得到更好结果的最简单方法。由于decision_function的取值可能在任意范围,所以很难提供关于如何选取阈值的经验法则。 对于实现了predict_proba 方法的模型来说,选择阈值可能更简单,因为predict_proba 的输出固定在0 到1 的范围内,表示的是概率。默认情况下,0.5 的阈值表示,如果模型以超过50% 的概率“确信”一个点属于正类,那么就将其划为正类。增大这个阈值意味着模型需要更加确信才能做出正类的判断(较低程度的确信就可以做出反类的判断)。

    1.5 准确率-召回率曲线

    改变模型中用于做出分类决策的阈值,是一种调节给定分类器的准确率和召回率之间折中的方法。对分类器设置要求(比如90% 的召回率)通常被称为设置工作点(operating point)。利用**准确率- 召回率曲线(precision-recall curve)**可以同时查看所有可能的阈值或准确率和召回率的所有可能折中。sklearn.metrics模块可以绘制这个条曲线。precision_recall_curve函数返回一个列表,包含按顺序排序的所有可能阈值(在决策函数中出现的所有值)对应的准确率和召回率,这样我们就可以绘制准确率- 召回率曲线。
    在这里插入图片描述
    黑色圆圈表示的是阈值为0 的点,0 是decision_function 的默认阈值。这个点是在调用predict 方法时所选择的折中点。

    曲线越靠近右上角,则分类器越好。 右上角的点表示对于同一个阈值,准确率和召回率都很高。曲线从左上角开始,这里对应于非常低的阈值,将所有样本都划为正类。提高阈值可以让曲线向准确率更高的方向移动,但同时召回率降低。继续增大阈值,大多数被划为正类的点都是真正例,此时准确率很高,但召回率更低。随着准确率的升高,模型越能够保持较高的召回率,则模型越好。总结准确率—召回率曲线的一种方法是计算该曲线下的积分或面积,也叫作平均准确率(average precision)。

    准确率- 召回率曲线下的面积与平均准确率之间还有一些较小的技术区别。但这个解释表达的是大致思路。

    1.6 ROC与AUC

    受试者工作特征曲线(receiver operating characteristics curve),简称为ROC 曲线(ROC curve)。与准确率- 召回率曲线类似,ROC 曲线考虑了给定分类器的所有可能的阈值,但它显示的是假正例率(false positive rate,FPR)和真正例率(true positive rate,TPR),而不是报告准确率和召回率真正例率只是召回率的另一个名称,而假正例率则是假正例占所有反类样本的比例:
    F P R = F P F P + T N FPR = \frac {FP}{FP + TN} FPR=FP+TNFP
    我们可以用roc_curve 函数来计算ROC 曲线。对ROC曲线,理想的曲线要靠近左上角:希望分类器的召回率很高,同时保持假正例率很低。最接近左上角的点可能是比默认选择更好的工作点。同样请注意,不应该在测试集上选择阈值,而是应该在单独的验证集上选择。

    我们通常使用ROC 曲线下的面积AUC(area under the curve) 来总结ROC曲线的信息。我们可以利用roc_auc_score函数来计算ROC 曲线下的面积。对于不平衡的分类问题来说,AUC 是一个比精度好得多的指标。AUC 可以被解释为评估正例样本的排名(ranking)它等价于从正类样本中随机挑选一个点,由分类器给出的分数比从反类样本中随机挑选一个点的分数更高的概率。因此,AUC 最高为1,这说明所有正类点的分数高于所有反类点。对于不平衡类别的分类问题,使用AUC 进行模型选择通常比使用精度更有意义。AUC 没有使用默认阈值,因此,为了从高AUC 的模型中得到有用的分类结果,可能还需要调节决策阈值。

    2 多分类指标

    多分类问题的所有指标基本上都来自于二分类指标,但是要对所有类别进行平均。多分类的精度被定义为正确分类的样本所占的比例。同样,如果类别是不平衡的,精度并不是很好的评估度量。除了精度,常用的工具有混淆矩阵和分类报告
    在这里插入图片描述
    对于多分类问题中的不平衡数据集,最常用的指标就是多分类版本的f- 分数。多分类f- 分数背后的想法是,对每个类别计算一个二分类f- 分数,其中该类别是正类,其他所有类别组成反类。然后,使用以下策略之一对这些按类别f- 分数进行平均。

    “宏”(macro)平均:计算未加权的按类别f- 分数。它对所有类别给出相同的权重,无论类别中的样本量大小。

    “加权”(weighted)平均:以每个类别的支持作为权重来计算按类别f- 分数的平均值。分类报告中给出的就是这个值。

    “微”(micro)平均:计算所有类别中假正例、假反例和真正例的总数,然后利用这些计数来计算准确率、召回率和f- 分数。

    如果对每个样本等同看待,那么推荐使用“微”平均f1- 分数;如果对每个类别等同看待,那么推荐使用“宏”平均f1- 分数

    3 回归指标

    对回归问题可以像分类问题一样进行详细评估,例如,对目标值估计过高与目标值估计过低进行对比分析。但是,对于我们见过的大多数应用来说,使用默认R2 就足够了,它由所有回归器的score 方法给出。业务决策有时是根据均方误差或平均绝对误差做出的,这可能会鼓励人们使用这些指标来调节模型。但是一般来说,我们认为R2 是评估回归模型的更直观的指标。

    4 在模型选择中使用评估指标

    实际中我们通常希望,在使用GridSearchCV 或cross_val_score 进行模型选择时能够使用AUC等指标。scikit-learn 提供了一种非常简单的实现方法,就是scoring 参数,它可以同时用于GridSearchCV 和cross_val_score。

    对于分类问题,scoring 参数最重要的取值包括:accuracy(默认值)、roc_auc、average_precision(准确率- 召回率曲线下方的面积)、f1、f1_macro、f1_micro 和f1_weighted

    对于回归问题,最常用的取值包括: r 2 r^2 r2、mean_squared_error(均方误差)和mean_absolute_error(平均绝对误差)。我们可以查看metrics.scorer 模块中定义的SCORER 字典。

    展开全文
  • 详解AOC指标

    千次阅读 2020-11-03 20:26:58
    答案是这样的:机器学习中的很多模型对于分类问题的预测结果大多是概率,即属于某个类别的概率,如果计算准确率的话,就要把概率转化为类别,这就需要设定一个阈值,概率大于某个阈值的属于一类,概率小于某个阈值的...

    AUC指标

    AUC是一个模型评价指标,用于二分类模型的评价。AUC是“Area under Curve(曲线下的面积)”的英文缩写,而这条“Curve(曲线)”就是ROC曲线。

    ROC:受试者工作特征曲线
      
    为什么要用AUC作为二分类模型的评价指标呢?为什么不直接通过计算准确率来对模型进行评价呢?答案是这样的:机器学习中的很多模型对于分类问题的预测结果大多是概率,即属于某个类别的概率,如果计算准确率的话,就要把概率转化为类别,这就需要设定一个阈值,概率大于某个阈值的属于一类,概率小于某个阈值的属于另一类,而阈值的设定直接影响了准确率的计算。使用AUC可以解决这个问题,接下来详细介绍AUC的计算。

    例如,数据集一共有5个样本,真实类别为(1,0,0,1,0);二分类机器学习模型,得到的预测结果为(0.5,0.6,0.4,0.7,0.3)。将预测结果转化为类别——预测结果降序排列,以每个预测值(概率值)作为阈值,即可得到类别。计算每个阈值下的“True Positive Rate”、“False Positive Rate”。以“True Positive Rate”作为纵轴,以“False Positive Rate”作为横轴,画出ROC曲线,ROC曲线下的面积,即为AUC的值。
    那么什么是“True Positive Rate”、“False Positive Rate”?
    首先,我们看如下的图示:

    在这里插入图片描述

    然后,我们计算两个指标的值:
      True Positive Rate=TP/(TP+FN),代表将真实正样本划分为正样本的概率
      False Positive Rate=FP/(FP+TN),代表将真实负样本划分为正样本的概率
      接着,我们以“True Positive Rate”作为纵轴,以“False Positive Rate”作为横轴,画出ROC曲线。类似下图:
      在这里插入图片描述
    实现代码:

    import numpy as np 
    import matplotlib.pyplot as plt
    %matplotlib inline
    
    #y是类别
    y = np.array([1,1,1,1,1,1,0,0,0,1,1,0,0,1,1,0,0,1,1,0,0])
    # prob 为得到的预测结果
    prob =np.array( [0.42,0.73,0.55,0.37,0.57,0.70,0.25,0.23,0.46,0.62,0.76,0.46,0.55,0.56,0.56,0.38,0.37,0.73,0.77,0.21,0.39])
    
    from sklearn.metrics import roc_curve,auc
    #roc_cure()是绘制roc曲线,返回值为fpr,tpr,thredholds
    fpr,tpr,thredholds = roc_curve(y,prob)
    #auc计算roc曲线下的面积
    auc_=auc(fpr,tpr)
    plt.plot(fpr,tpr)
    plt.legend(['auc:%0.2f'%(auc_)])
    

    在这里插入图片描述

    展开全文
  • 在SEO日常工作中,对于企业团队而言,我们经常会涉及SEO人员的考核制度,它是推动SEO项目顺利完成的一个基石...那么,常见的SEO关键词KPI考核指标有哪些? 根据以往SEO关键词优化的经历,蝙蝠侠IT认为,关键词KPI考...

    在SEO日常工作中,对于企业团队而言,我们经常会涉及SEO人员的考核制度,它是推动SEO项目顺利完成的一个基石,同时,也是提高团队工作效率的一个重要法宝。

    因此,审查SEO项目各个数据指标,作为KPI考核很有必要,其中,关键词作为SEO优化的重中之重,经常是重点考核的指标之一。

    那么,常见的SEO关键词KPI考核指标有哪些?

    根据以往SEO关键词优化的经历,蝙蝠侠IT认为,关键词KPI考核,重点需要关注如下考核指标:

    1、关键词行业占比

    对于任何基于搜索引擎营销的企业,它实际上理论都属于一个垂直行业,那么在做网站关键词优化的过程中,我们实际上起初会整理行业相关的关键词库,同时,按照阶段性的目标,我们实际上是需要:

    ① 定期审查自身站点,在行业关键词库的占比是多少。

    ② 相比竞争对手而言,你的排名浮动情况,而作为KPI,我们通常要求是正向不断提升,对于具体项目,是有精准性阶段排名上浮的要求。

    2、核心关键词排名

    当我们了解自身站点,在行业中,相对平均排名,掌握自身站点竞争力之后,我们通常会审查,自身业务的核心关键词排名,它是支撑产品转化的重要媒介。

    因此,你需要:

    ① 考察整站核心关键词排名

    ② 特定核心关键词的涨幅,比如:排名位置的提升,是否在合理预期之内。

    ③ 高转化核心关键词,外部资源的投入情况,比如:外链的增长率。

    3、内链关键词分配

    基于内链的分配,这是一个经常被新手SEO团队忽略的一个细节,实际上在KPI考核的时候,专业的SEO团队,是会重点考核,站内链接,针对目标关键词,增长的情况,比如:

    ① 内链对特定关键词的增长率。

    ② 内链资源占比,与关键词的相对排名,是否正相关。

    ③ 内链页面的原创度与相关性的比例。

    4、站内关键词矩阵

    如果你是一个专业的SEO团队,实际上在做网站建站的时候,整站的关键词匹配与流量,包括几大模块,站内矩阵,实际上都是应该规划好的。

    而在对关键词优化KPI考核的情况下,我们需要清晰的审查:

    ① 各大站内矩阵,中心页面的排名增长情况,通常它是小板块权重流动的核心。

    ② 不同关键词矩阵之间,相关性链接的增长情况。

    ③ 各个关键词矩阵,针对特定产品页面,流量推送,产品转化率的情况。

    总结:蝙蝠侠IT认为,针对一个专业的SEO机构,上述关键词KPI考核的指标,只是冰山一角,它仍然会针对不同行业的特性,更加细化,以上内容,仅供参考。

    原创·蝙蝠侠IT https://www.batmanit.com/fl-3.html 

    展开全文
  • 统计学基础指标

    千次阅读 2019-11-18 14:31:20
    统计学一些基础知识 统计学分为两个统计学科,分别为描述统计学和推断统计学; 描述统计学:使用特定的数字或图表来体现数据的集中程度和离散程度。... 常用统计学的数据指标有: 均值——算...
  • 模型评价指标

    万次阅读 2017-12-26 13:23:42
    一、分类评价指标 1、对数损失函数(Log-loss)   在分类输出中,若输出不再是0-1,而是实数值,即属于每个类别的概率,那么可以使用Log-loss对分类结果进行评价。这个输出概率表示该记录所属的其对应的类别的...
  • 如何直观理解AUC评价指标

    万次阅读 多人点赞 2016-10-29 17:40:57
    其他评价指标有精确度、准确率、召回率,而AUC比这三者更为常用。因为一般在分类模型中,预测结果都是以概率的形式表现,如果要计算准确率,通常都会手动设置一个阈值来将对应的概率转化成类别,这个阈值也就很大...
  • 为了适应各地现场定制化的指标统计展示需求,在SmartWeb中开发了一些可配置功能。配置界面如图,包括: 终端覆盖率页面 KEY:statistics.rtucover.page VALUE:页面路径 ...VALUE:整数 说明...
  • 股票技术指标

    千次阅读 2013-03-11 21:44:32
    ...该指标是一种随股价波动幅度大小而变动的压力支撑指标,股价上方的压力称为“上限”,股价下方的支撑称为“下限”。第一条“上限”和第一条“下限”之间,我们设一条假想的中界线,股价位于中
  • 目 录 一 系统性能测试指标 1.1 响应时间 1.2 并发 1.3 点击量/点击率 1.4 吞吐量/吞吐率 ...二 Linux服务器性能指标 ...性能测试指标是衡量系统性能的评价标准,常用的系统性能测试指标包括:响应时间...
  • 医学图像评价指标

    千次阅读 2018-09-26 10:50:23
    前言 在论文阅读的过程中,经常遇到...考虑一个二分类的情况,类别为1和0,我们将1和0分别作为类(positive)和负类(negative),则实际分类的结果4种,表格如下: 从这个表格中可以引出一些其它的评价指标...
  • 在之前的系列文里,大家能看到K线,均线,成交量的案例,在本文里,大家能看到通过RSI案例讲述Python邮件编程的知识点,在后继系列文里,大家还能看到MACD,BIAS,KDJ等指标相关案例。 1 RSI指标的原理和算法描...
  • 性能测试常见指标

    万次阅读 多人点赞 2017-11-30 10:54:03
    最近在学习性能测试的东西,对于一些常见性能测试指标做些总结,保存在这里方便后期查阅,文中摘抄自某大神的博客,文末放原文链接,需要的童鞋可以更深入了解!       什么是性能测试?   压力测试:...
  • 机器学习模型的评价指标和方法

    万次阅读 多人点赞 2016-09-18 15:04:55
    ... 对于二类分类器/分类算法,评价指标主要accuracy, [precision,recall,F-score,pr曲线],ROC-AUC曲线,gini系数。 对于多类分类器/分类算法,评价指标主要accuracy, [宏平均和微...
  • spark 评估指标

    千次阅读 2016-07-16 16:06:03
    评估指标 1 Classification model evaluation 1.1 二元分类  1.1.1阈值调整 1.2 Multiclassclassification  1.2.1 Label based metrics 1.3 Muitilabel classification 1.4 Ranking systems 2 Regression mo
  • 24个基本指标

    千次阅读 2015-01-31 02:07:30
    1、平滑异同平均线指标——MACD MACD指标又叫指数平滑异同移动平均线,是由查拉尔·阿佩尔(Gerald Apple)所创造的,是一种研判股票买卖时机、跟踪股价运行趋势的技术分析工具 2、随机指标——KDJ(CN,LN,HN) 3、...
  • 分类算法常用的评价指标

    万次阅读 2019-06-18 16:23:27
    1,评价指标列表 2,基本概念 针对一个二分类问题,即将实例分成类(positive)或负类(negative),在实际分类中会出现以下四种情况: (1)若一个实例是类,并且被预测为类,即为真正类(True Positive ...
  • 股票技术指标详解

    千次阅读 2014-01-19 20:18:08
    股票技术指标详解 一、多空指数(BBI)   多空指数是按照几种不同日数的移动平均线值根据天数加权平均得到的一项技术指标。主要是为了综合考虑不同日数的移动平均线。   股价在高价区域如果以收市价向下跌破...
  • 机器学习之性能度量指标

    千次阅读 2018-12-06 11:32:52
    机器学习的模型性能度量指标 在机器学习中,衡量,评估和选择一个模型好坏是通过一些常见指标实现的,称之为性能指标(Metrics)。 对于一个二分类问题,我们首先给出如下基本指标基于这些指标可以推导出其他指标: ...
  • 一文详尽系列之模型评估指标

    千次阅读 2019-11-22 17:30:00
    点击上方“Datawhale”,选择“星标”公众号第一时间获取价值内容在机器学习领域通常会根据实际的业务场景拟定相应的不同的业务指标,针对不同机器学习问题如回归、分类、排...
  • 用户体验衡量指标分析

    千次阅读 2019-08-23 16:59:59
    本篇主要在分享一些使用体验横标指标上的一些迷思,与介绍工作中常用的一些指标,至于如何透过这些指标...当一定的用户后,结合常见的数据分析工具或内部团队自建的数据埋点,网站和应用马上就能出现许多可供分...
  • 摘要:本文用实例说明了多指标综合评价中,用“倒数逆变换法”进行指标正向化时会完全改变原指标的分布规律,影响综合评价结果的准确性;对三种常用无量纲化方法——极差变换法、标准化法和均值化法的选择使用问题,...
  • 性能测试指标简介

    千次阅读 2018-04-27 16:25:35
    最近在学习性能测试的东西,对于一些常见性能测试指标做些总结,保存在这里方便后期查阅,文中摘抄自某大神的博客,文末放原文链接,需要的童鞋可以更深入了解!什么是性能测试?压力测试:强调极端暴力 稳定性...
  • 多分类评估指标

    千次阅读 2019-04-26 20:16:44
    转 多分类评估指标 2018年12月13日 15:58:17 时空守卫 阅读数:349 ...
  • Linux系统性能指标

    千次阅读 2016-11-29 09:37:21
    Linux系统性能指标 帅博 2016-02-19 15:43:40 浏览3070 评论2 linux 阿里技术协会 性能指标 /proc/文件系统 计算方法 摘要: Linux内核提供的/proc/目录所提供的信息能够基本满足我们对当前主机性能指标的...
  • Tensorboard监控指标可视化

    千次阅读 2018-07-18 10:27:15
    Tensorflow监控指标可视化 觉得有用的话,欢迎一起讨论相互学习~Follow Me 参考文献 强烈推荐Tensorflow实战Google深度学习框架 实验平台: Tensorflow1.4.0 python3.5.0 Tensorflow命名空间与计算图...
  • 新年第一篇博客~~,也是人生第一篇博客,愿能够坚持下去。 最近做关系抽任务时在评价指标方面遇到了一些问题,因此对...在关系抽取中我们常用的评价指标一般准确率(Accuracy)、精确率(Precision)、召回率(Reca
  • 信贷风险指标

    千次阅读 2019-05-15 20:40:17
     将目前处于正常未到期状态的透支归为金类贷款,按照1%净损失率计提拨备,  将目前逾期1~59天的透支归为关注类贷款,按照2%净损失中计提拨备,  将目前逾期60~89天的透支归为次级 类贷款,按照25%净损失率...
  • 深度学习模型评估指标

    千次阅读 2020-03-13 20:59:26
    深度学习模型评估指标 一个深度学习模型在各类任务中的表现都需要定量的指标进行评估,才能够进行横向的对比比较,包含了分类、回归、质量评估、生成模型中常用的指标。 1分类评测指标 图像分类是计算机视觉中最...

空空如也

空空如也

1 2 3 4 5 ... 20
收藏数 31,046
精华内容 12,418
关键字:

属于正指标的有