优化指标和满意度指标
最后再举一个例子，假设你正在设计一个硬件设备，该设备可以根据用户设置的特殊 “唤醒词” 来唤醒系统，类似于 Amazon Echo 的监听词为 “Alexa”，苹果（Apple） Siri 的监听词为 “Hey Siri”，安卓（Android） 的监听词为 “Okay Google”，以及百度（Baidu）应用的监听词 “Hello Baidu.” 我们关心的指标是假正例率（false positive rate，又译作假阳率，误诊率）—— 用户没有说出唤醒词，系统却被唤醒了，以及假反例率（false negative rate，又译作假阴率，漏诊率）——用户说出了唤醒词，系统却没能正确被唤醒。这个系统的一个较为合理的优化对象是尝试去最小化假反例率（优化指标），减少用户说出唤醒词而系统却没能正确唤醒的发生率，同时设置约束为每 24 小时不超过一次误报（满意度指标）。
重点！11个重要的机器学习模型评估指标
from sklearn import cross_validation model = RandomForestClassifier(n_estimators=100) #Simple K-Fold cross validation. 5 folds. #(Note: 选择在正确的时间正确的二进制指标 in older scikit-learn versions the "n_folds" argument is named "k".) cv = cross_validation.KFold(len(train), n_folds=5, indices=False) results = [] # "model" can be replaced by your model object # "Error_function" can be replaced by the error function of your analysis for traincv, testcv in cv: probas = model.fit(train[traincv], 选择在正确的时间正确的二进制指标 target[traincv]).predict_proba(train[testcv]) results.append( Error_function ) #print out the mean of the cross-validated results print "Results: " + str( np.array(results).mean() )
华为2019数字芯片岗笔试解析二（单选第一部分）
数字芯片设计 于 2020-12-01 09:00:00 发布 4576 收藏 69
首发来自公众号：数字芯片设计
解析：异步复位信号随时会出现，也随时会消失，可以由用户决定，具有随机性。所以复位信号在恢复时可能会出现不满足recovery time 和removal time的问题。这时，用异步复位同步释放的方法，可以减小亚稳态出现的概率，如下图（异步复位同步释放）：
解析：下面这张图是典型的异步FIFO的架构框图，从标注处，可以看出满信号是在写时钟域产生，空信号是在读时钟产生。异步FIFO几乎涵盖了Clock-Domain Crossing (CDC)跨时钟域的全部知识，所以手写异步FIFO代码也是一项基本功能。
6.以下关于False-Path正确的是（）
【A】一般异步电路可以设置为False-Path
【B】两个不同频率的接口一定可以设置为False Path
【C】一般异步复位可以设置为False Path
【D】一般模拟IP和系统的互连接口都可以设置为False Path
解析：False-Path就是我们进行综合分析时，不希望综合工具分析的那些路径。一般不需要工具时序分析的路径指的是异步的路径，异步路径就是指的不同时钟域的路径。一般在以下两种情况下使用
1. 从逻辑上考虑，与电路正常工作不相关的那些路径，比如测试逻辑，静态逻辑等
2. 从时序上考虑，我们在综合时不需要分析的那些路径，比如跨越异步时钟域的路径
解析：由给出的代码我们可以看出触发条件为时钟的上升沿（posedge clk）和复位的下降沿（negedge rst_n）。所以综合的电路为带异步复位的D触发器；所以C选项正确。
8.对于信号定义语句：reg [0:4] always,a；，说法错误的是（）
【A】不能使用关键字定义信号名
【B】信号定义为reg型，只能使用在时序电路的赋值中
【C】bit定义顺序应该从高到低
【D】每个信号应该单独用一行来声明
Autopilot 模型洞察
这些区域有： SageMaker 模型监视器报告包含描述 Autopilot 作业特征的详细信息、指标表和几个模型见解。其中包括与分类问题类型相关的模型图表。您可以在中访问这些报告 SageMaker 来自工作室性能打开的页面上的选项卡以确认 AutoML 作业已完成。有关如何创建和运行 AutoML 作业的说明 SageMaker 工作室，请参阅创建亚马逊 SageMaker Autopilot 实验.
主题
模型详细信息和指标表
Autopilot Job 名称
模型质量信息是由预先构建的 SageMaker 模型监控器容器。生成的报告的内容取决于解决的问题类型：回归、二进制分类或多类分类。该报告指定了评估数据集中包含的行数以及评估的发生时间。
以下是 AutoML 作业为回归问题生成的模型监视器报告中的指标表示例。
以下是 AutoML 作业为二进制分类问题生成的模型监视器报告中的指标表示例。
以下是 AutoML 作业为多类分类问题生成的模型监视器报告中的指标表示例。
此报告提供了一个混淆矩阵，最多可容纳 15 个多类分类问题类型的标签。标签按顺序列出，从预测最不准确的标签到预测最准确的标签。如果行显示 Nan ，这意味着验证数据集没有该标签的行。
接收器操作特征曲线下的面积
接收机操作特征曲线下的区域（AUC ROC 曲线）表示真正阳性和误报率之间的权衡。AUC ROC 曲线是用于二进制分类模型的行业标准准确度指标。AUC 衡量模型为正面示例预测出相比负面示例更高分数的能力。AUC 指标提供了对所有可能分类阈值中模型性能的综合度量。
AUC 指标返回从零 (0) 到一 (1) 的十进制值。接近 1 的 AUC 值指示高度准确的 ML 模型。接近 0.5 的值指示 ML 模型比随便猜测好不了多少。值接近 0 的情况很少见，这些值通常表示数据有问题。基本上，接近 0 的 AUC 表示 ML 模型已学习了正确的模式，但使用它们来预测尽可能不准确。例如，0 预测为 1，1 为 0。有关 AUC 指标的更多信息，请参阅 接收器运行特点 维基百科上的文章。
分类的二进制模型 no-better-than-random 猜测，真实和误报率相等，AUC 分数为 0.5。表示随机二进制分类器的曲线是接收器运行特征图中的对角线虚线红线。更准确的分类模型的曲线高于这个随机基线，其中真正阳性的比率超过了误报率。