- html - 出于某种原因,IE8 对我的 Sass 文件中继承的 html5 CSS 不友好?
- JMeter 在响应断言中使用 span 标签的问题
- html - 在 :hover and :active? 上具有不同效果的 CSS 动画
- html - 相对于居中的 html 内容固定的 CSS 重复背景?
引用https://dzone.com/articles/machine-learning-with-h2o-hands-on-guide-for-data
我能够按照示例绘制 ROC 和 AUC 曲线,但是当我对数据执行相同操作时,我得到的是“评分历史记录 - 偏差”而不是“评分历史记录 - LOGLOSS”和我的“ROC 曲线 - TRAINING METRICS”没有出现。
我的数据集有 2 个类,0、1,而不是示例中的 yes 和 no。什么决定了ROC曲线是否具有可移植性?
更新了 2019 年 7 月 10 日对 Maurever 回复的引用:我的响应“标签”已“转换为枚举”,并将分布更改为“伯努利”,但我仍然无法绘制 ROC。
更新:对于与我有同样遭遇的 future 用户。即使您转换为枚举,h2o 似乎也无法使用类为“0”和“1”的响应。我的问题通过将 0 和 1 重新标记为“正常”和“恶意”来解决,并且将绘制 ROC 曲线。
最佳答案
My dataset has 2 classes, 0, 1 instead of yes and no from the example.
将会发生的情况是,H2O 决定这是一个数字列,而不是一个分类(也称为因子)列。修复方法很简单,就是在该列上使用 as.factor()
。在导入数据之后、使用数据构建模型之前执行此操作。
然后它就会知道构建分类模型,而不是回归模型,并且您将获得您期望看到的指标。
这是一个示例:https://stackoverflow.com/a/41441578/841830 (或者在 H2O 文档中搜索 as.factor,您会发现更多内容)
在 Flow 中,您首先上传文件,然后单击解析文件,它会显示列列表。分类/因子列在那里被称为“枚举”(是的,这很令人困惑)。您的列可能显示为数字,因此请转到下拉框并将其更改为枚举。然后开始解析。然后,构建您的模型。
关于machine-learning - h2o 流用户界面 : Build Model but no ROC CURVE or AUC for multiclass?,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/56930004/
在 SQL 中计算 AUC 的最佳方法是什么? 这是我得到的(假设表 T(label, confid) 和 label=0,1): SELECT sum(cumneg * label) * 1e0 /
我正在训练用于图像分类的CNN。由于我的数据集有限,我正在使用转移学习。基本上,我使用的是Google在其再培训示例(https://www.tensorflow.org/tutorials/imag
我正在 sci-kit learn 中构建 MLPClassifier 模型。我使用 gridSearchCV 和 roc_auc 对模型进行评分。训练和考试的平均成绩在 0.76 左右,还不错。 c
我使用我的测试集作为验证集。我使用了与 How to compute Receiving Operating Characteristic (ROC) and AUC in keras? 类似的方法
我分别从 sklearn 的 RandomForestClassifier 和 roc_curve、auc 方法收到不同的 ROC-AUC 分数。 以下代码让我获得了 0.878 的 ROC-AUC(
如何获得具有 fpr 和 tpr 的 AUC 值? Fpr 和 tpr 只是从这些公式中获得的 2 个浮点数: my_fpr = fp / (fp + tn) my_tpr = tp / (tp +
我有一个分类问题,我想在 sklearn 中使用 cross_validate 获取 roc_auc 值。我的代码如下。 from sklearn import datasets iris = dat
我有一个分类问题,我想在 sklearn 中使用 cross_validate 获取 roc_auc 值。我的代码如下。 from sklearn import datasets iris = dat
在 scikit learn 中,您可以使用以下方法计算二元分类器的曲线下面积 roc_auc_score( Y, clf.predict_proba(X)[:,1] ) 我只对误报率小于 0.1 的
我正在尝试为我的 SVM 找到参数,这些参数会给我最好的 AUC。但是我在 sklearn 中找不到 AUC 的任何评分函数。有人有想法吗?这是我的代码: parameters = {"C":
这是一个代表 library(caret) library(dplyr) set.seed(88, sample.kind = "Rounding") mtcars % mutate(am = a
对于二元分类问题,我有一个略微不平衡的数据集,正负比为 0.6。 我最近从这个答案中了解到了 auc 指标:https://stats.stackexchange.com/a/132832/12822
我有一个 Spark 数据框,如下所示: predictions.show(5) +------+----+------+-----------+ | user|item|rating| predi
我正在研究一个分类问题,其评估指标为 ROC AUC。到目前为止,我已经尝试使用具有不同参数的 xgb 。这是我用来采样数据的函数。并且可以找到相关笔记本here (google colab) def
我对 python 中的 scikit-learn 中如何生成阈值感到困惑。对于以下示例,生成了四个阈值,当我将 pred 中的第三个值更改为 0.6 时,阈值数量降至 3。任何人都可以解释为什么会这
假设我有一个如下所示的数据集: word label_numeric 0 active 0 1 adventurous 0 2 aggressive 0 3 aggressi
我有一个分类问题,需要根据给定的数据预测 (0,1) 类。基本上我有一个包含超过 300 个特征(包括预测目标值)和超过 2000 行(样本)的数据集。我应用了不同的分类器,如下所示: 1. Dec
我的目标是找到预测模型来确定是否偿还贷款。我的来源是一个 CSV 文件,其中包含贷款特征以及是否已偿还。我使用 ROC 曲线和 AUC 评估模型的性能 df = pd.read_csv(your_pa
我想知道为什么我们的目标是在最大化准确率时最大化 AUC? 我认为,除了最大化准确性的主要目标之外,AUC 也会自动变大。 最佳答案 我想我们使用 AUC 是因为它解释了我们的方法能够在多大程度上独立
我正在尝试在非常不平衡的数据集上使用 LightGBM 构建分类器。不平衡的比例为 97:3,即: Class 0 0.970691 1 0.029309 我使用的参数和训练代码如下所示。
我是一名优秀的程序员,十分优秀!