如何评估变异自动编码器的性能
我有一个关于二进制分类的项目。第一类（0类）包含40,000个样本，第二类（1类）包含1200个样本。为了处理这两个类之间的这种不平衡，我使用“ nofollow noreferrer”> variational autoencododer （vae）（vae）为少数族裔生成新样本。
我已经将数据集拆分为培训和测试集，VAE经过培训的训练集中的所有数据，在生成新样本后，我创建了一个新的数据集，其中包含真实数据（培训集） +生成的数据。
如何评估我的VAE的性能？
I have a project which is about binary classification. The first class (class 0) contains 40,000 samples and the second one (class 1) contains 1200 samples. In order to handle this imbalance between the two classes, I used the variational autoencoder (VAE) to generate new samples for the minority class.
I have split the dataset into training and test sets, The VAE is trained with all the data of the minority class in training set, and after generating new samples, I created a new dataset that contains the real data (training set) + generated data.
How can I evaluate the performance of my the VAE?
如果你对这篇内容有疑问，欢迎到本站社区发帖提问 参与讨论，获取更多帮助，或者扫码二维码加入 Web 技术交流群。
绑定邮箱获取回复消息
由于您还没有绑定你的真实邮箱，如果其他用户或者作者回复了您的评论，将不能在第一时间通知您！
发布评论