1.����ϵͳԴ��
2.现金贷app开发哪个公司做的贷超贷超好？
����ϵͳԴ��
二分类问题的结果有四种：
逻辑在于，你的系统系统预测是positive-1和negative-0，true和false描述你本次预测的源码源码对错
true positive-TP：预测为1，预测正确即实际1
false positive-FP：预测为1，分销预测错误即实际0
true negative-TN：预测为0，贷超贷超预测正确即实际0
false negative-FN：预测为0，系统系统pinpoint 源码解读预测错误即实际1
混淆矩阵
直观呈现以上四种情况的源码源码样本数
准确率accuracy
正确分类的样本/总样本：(TP+TN)/(ALL)
在不平衡分类问题中难以准确度量：比如%的正样本只需全部预测为正即可获得%准确率
精确率查准率precision
TP/(TP+FP)：在你预测为1的样本中实际为1的概率
查准率在检索系统中：检出的相关文献与检出的全部文献的百分比，衡量检索的分销信噪比
召回率查全率recall
TP/(TP+FN)：在实际为1的样本中你预测为1的概率
查全率在检索系统中：检出的相关文献与全部相关文献的百分比，衡量检索的贷超贷超覆盖率
实际的二分类中，positive-1标签可以代表健康也可以代表生病，系统系统但一般作为positive-1的源码源码指标指的是你更关注的样本表现，比如“是分销垃圾邮件”“是阳性肿瘤”“将要发生地震”。
因此在肿瘤判断和地震预测等场景：
要求模型有更高的贷超贷超召回率recall，是系统系统个地震你就都得给我揪出来不能放过
在垃圾邮件判断等场景：
要求模型有更高的精确率precision，你给我放进回收站里的源码源码可都得确定是垃圾，千万不能有正常邮件啊
ROC
常被用来评价一个二值分类器的优劣
ROC曲线的横坐标为false positive rate（FPR）：FP/(FP+TN)
假阳性率，即实际无病，但根据筛检被判为有病的百分比。
在实际为0的样本中你预测为1的概率
纵坐标为true positive rate（TPR）：TP/(TP+FN)
真阳性率，即实际有病，但根据筛检被判为有病的霸凌源码百分比。
在实际为1的样本中你预测为1的概率，此处即召回率查全率recall
接下来我们考虑ROC曲线图中的四个点和一条线。
第一个点，(0,1)，即FPR=0,TPR=1，这意味着无病的没有被误判，有病的都全部检测到，这是一个完美的分类器，它将所有的样本都正确分类。
第二个点，(1,0)，即FPR=1，TPR=0，类似地分析可以发现这是一个最糟糕的分类器，因为它成功避开了所有的正确答案。
第三个点，(0,0)，即FPR=TPR=0，即FP（false positive）=TP（true positive）=0，没病的主动推送源码没有被误判但有病的全都没被检测到，即全部选0
类似的，第四个点（1,1），分类器实际上预测所有的样本都为1。
经过以上的分析可得到：ROC曲线越接近左上角，该分类器的性能越好。
ROC是如何画出来的
分类器有概率输出，%常被作为阈值点，但基于不同的场景，可以通过控制概率输出的阈值来改变预测的标签，这样不同的阈值会得到不同的FPR和TPR。
从0%-%之间选取任意细度的阈值分别获得FPR和TPR，对应在图中，得到的ROC曲线，阈值的细度控制了曲线的阶梯程度或平滑程度。
一个没有过拟合的二分类器的ROC应该是梯度均匀的，如图紫线
ROC曲线有个很好的特性：当测试集中的正负样本的分布变化的时候，ROC曲线能够保持不变。而Precision-Recall曲线会变化剧烈，故ROC经常被使用。
AUC
AUC（Area Under Curve）被定义为ROC曲线下的源码看答案面积，完全随机的二分类器的AUC为0.5，虽然在不同的阈值下有不同的FPR和TPR，但相对面积更大，更靠近左上角的曲线代表着一个更加稳健的二分类器。
同时针对每一个分类器的ROC曲线，又能找到一个最佳的概率切分点使得自己关注的指标达到最佳水平。
AUC的排序本质
大部分分类器的输出是概率输出，如果要计算准确率，需要先把概率转化成类别，就需要手动设置一个阈值，而这个超参数的确定会对优化指标的计算产生过于敏感的影响
AUC从Mann–Whitney U statistic的角度来解释：随机从标签为1和标签为0的样本集中分别随机选择两个样本，同时分类器会输出两样本为1的概率，那么我们认为分类器对“标签1样本的预测概率>对标签0样本的预测概率 ”的概率等价于AUC。
因而AUC反应的是分类器对样本的排序能力，这样也可以理解AUC对不平衡样本不敏感的原因了。
作为优化目标的各类指标
最常用的分类器优化及评价指标是AUC和logloss，最主要的原因是：不同于accuracy，precision等，这两个指标不需要将概率输出转化为类别，而是开源码框架可以直接使用概率进行计算。
顺便贴上logloss的公式
F1
F1兼顾了分类模型的准确率和召回率，可以看作是模型准确率和召回率的调和平均数，最大值是1，最小值是0。
额外补充AUC为优化目标的模型融合手段rank_avg：
在拍拍贷风控比赛中，印象中一个前排队伍基于AUC的排序本质，使用rank_avg融合了最后的几个基础模型。
rank_avg这种融合方法适合排序评估指标，比如auc之类的
其中weight_i为该模型权重，权重为1表示平均融合
rank_i表示样本的升序排名 ，也就是越靠前的样本融合后也越靠前
能较快的利用排名融合多个模型之间的差异，而不用去加权样本的概率值融合
贴一段源码：
M为正类样本的数目，N为负类样本的数目，rank为分类器给出的排名。
可以发现整个计算过程中连直接的概率输出值都不需要，仅关心相对排名，所以只要保证submit的那一组输出的rank是有意义的即可，并不一定需要必须输出概率。
现金贷app开发哪个公司做的好？
有哪些比较好的软件外包公司
极其流行，同样也是竞争力极其大的一种商业模式。虽然国内软件开发公司都发展壮大起来了，但是各地软件开发公司的实力及资质仍然参差不齐。下面为大家介绍下近期国内软件开发公司的排名汇总。
1：华盛恒辉科技有限公司
上榜理由：华盛恒辉是一家专注于高端软件定制开发服务和高端建设的服务机构，致力于为企业提供全面、系统的开发制作方案。在开发、建设到运营推广领域拥有丰富经验，我们通过建立对目标客户和用户行为的分析，整合高质量设计和极其新技术，为您打造创意十足、有价值的企业品牌。
在军工领域，合作客户包括：中央军委联合参谋(原总参)、中央军委后勤保障部(原总后)、中央军委装备发展部(原总装)、装备研究所、战略支援、军事科学院、研究所、航天科工集团、中国航天科技集团、中国船舶工业集团、中国船舶重工集团、第一研究所、训练器材所、装备技术研究所等单位。
在民用领域，公司大力拓展民用市场，目前合作的客户包括中国中铁电气化局集团、中国铁道科学研究院、济南机务段、东莞轨道交通公司、京港地铁、中国国电集团、电力科学研究院、水利部、国家发改委、中信银行、华为公司等大型客户。
2：五木恒润科技有限公司
上榜理由：五木恒润拥有员工多人，技术人员占%以上，是一家专业的军工信息化建设服务单位，为军工单位提供完整的信息化解决方案。公司设有股东会、董事会、监事会、工会等上层机构，同时设置总经理职位，由总经理管理公司的具体事务。公司下设有研发部、质量部、市场部、财务部、人事部等机构。公司下辖成都研发中心、西安研发中心、沈阳办事处、天津办事处等分支机构。
3、浪潮
浪潮集团有限公司是国家首批认定的规划布局内的重点软件企业，中国著名的企业管理软件、分行业ERP及服务供应商，在咨询服务、IT规划、软件及解决方案等方面具有强大的优势，形成了以浪潮ERP系列产品PS、GS、GSP三大主要产品。是目前中国高端企业管理软件领跑者、中国企业管理软件技术领先者、中国最大的行业ERP与集团管理软件供应商、国内服务满意度最高的管理软件企业。
4、德格Dagle
德格智能SaaS软件管理系统自德国工业4.0，并且结合国内工厂行业现状而打造的一款工厂智能化信息平台管理软件，具备工厂ERP管理、SCRM客户关系管理、BPM业务流程管理、
OMS订单管理等四大企业业务信息系统，不仅满足企业对生产进行简易管理的需求，并突破局域网应用的局限性，同时使数据管理延伸到互联网与移动商务，不论是内部的管理应用还是外部的移动应用，都可以在智能SaaS软件管理系统中进行业务流程的管控。
5、Manage
高亚的产品 (8Manage) 是美国经验中国研发的企业管理软件，整个系统架构基于移动互联网和一体化管理设计而成，其源代码编写采用的是最为广泛应用的
Java / J2EE 开发语言，这样的技术优势使 8Manage
可灵活地按需进行客制化，并且非常适用于移动互联网的业务直通式处理，让用户可以随时随地通过手机apps进行实时沟通与交易。
