- ubuntu12.04环境下使用kvm ioctl接口实现最简单的虚拟机
- Ubuntu 通过无线网络安装Ubuntu Server启动系统后连接无线网络的方法
- 在Ubuntu上搭建网桥的方法
- ubuntu 虚拟机上网方式及相关配置详解
CFSDN坚持开源创造价值,我们致力于搭建一个资源共享平台,让每一个IT人在这里找到属于你的精彩世界.
这篇CFSDN的博客文章基于python实现ROC曲线绘制广场解析由作者收集整理,如果你对这篇文章有兴趣,记得点赞哟.
ROC 。
结果 。
源数据:鸢尾花数据集(仅采用其中的两种类别的花进行训练和检测) 。
Summary 。
features:['sepal length (cm)', 'sepal width (cm)', 'petal length (cm)', 'petal width (cm)'] 。
实例:[5.1, 3.5, 1.4, 0.2] target:'setosa' 'versicolor' (0 , 1) 。
采用回归方法进行拟合得到参数和bias 。
model.fit(data_train, data_train_label) 。
对测试数据进行预测得到概率值 。
res = model.predict(data[:100]) 。
与训练集labels匹配后进行排序(从大到小) 。
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
|
pred labels
68 0.758208 1
87 0.753780 1
76 0.745833 1
50 0.743156 1
65 0.741676 1
75 0.739117 1
62 0.738255 1
54 0.737036 1
52 0.733625 1
77 0.728139 1
86 0.727547 1
74 0.726261 1
58 0.725150 1
71 0.724719 1
36 0.724142 0
14 0.723990 0
31 0.721648 0
41 0.720308 0
72 0.717723 1
79 0.712833 1
97 0.705148 1
51 0.702838 1
35 0.702203 0
98 0.701731 1
92 0.701106 1
82 0.700661 1
53 0.700465 1
18 0.699350 0
16 0.696915 0
64 0.693333 1
.. ... ...
33 0.658937 0
96 0.656761 1
30 0.656279 0
57 0.655673 1
4 0.652616 0
85 0.648620 1
59 0.648586 1
19 0.646965 0
70 0.646262 1
88 0.644482 1
8 0.643191 0
38 0.642704 0
3 0.640933 0
55 0.640630 1
47 0.640444 0
95 0.639552 1
13 0.639050 0
22 0.638485 0
29 0.635590 0
90 0.634376 1
37 0.632224 0
6 0.631119 0
46 0.630037 0
11 0.629718 0
66 0.627807 1
42 0.624795 0
44 0.621703 0
32 0.614932 0
24 0.603874 0
84 0.603249 1
|
计算训练集中正确的个数与非正确的个数 。
运用一下的算式进行TPR和FPR的计算 。
1
2
3
4
5
6
7
8
9
|
index
=
0
for
i
in
sorted_mat.values:
if
i[
1
]
=
=
0
:
TPR.append(TPR[index])
FPR.append(FPR[index]
+
1.0
/
F_num)
else
:
TPR.append(TPR[index]
+
1.0
/
T_num)
FPR.append(FPR[index])
index
+
=
1
|
最后进行TPR和FPR的描绘 。
以上就是本文的全部内容,希望对大家的学习有所帮助,也希望大家多多支持我.
原文链接:https://www.cnblogs.com/wykxldz/p/13192500.html 。
最后此篇关于基于python实现ROC曲线绘制广场解析的文章就讲到这里了,如果你想了解更多关于基于python实现ROC曲线绘制广场解析的内容请搜索CFSDN的文章或继续浏览相关文章,希望大家以后支持我的博客! 。
我学习 SDL 二维编程已有一段时间了,现在我想创建一个结合使用 SDL 和 OpenGL 的程序。我是这样设置的: SDL_Init(SDL_INIT_VIDEO); window = SDL_Cr
尝试查找可在地块中使用的不同类型项目的列表 来自不同样本的投影类型: projection = list(type = "equirectangular") projection = list(typ
我正在尝试使用 Java Graphics API 绘制 GIF,但无法使用下面的代码成功绘制 GIF。仅绘制 GIF 的第一张图像或缩略图,但不播放。 public void paintCompon
我目前正在使用 JFrame 并尝试绘制一个矩形,但我不知道如何执行代码 paint(Graphics g),如何获取 Graphics 对象? package com.raggaer.frame;
这个领域的新手,希望得到一些帮助。 我有一个"Missile.java" 类,我在那里画东西。我想绘制一个 ImageView,我正在使用以下代码: ImageView v = (ImageView)
下面列出了圆形的例子 这是我的 JavaScript 代码。 最佳答案 假设您的 randomColor 是正确的,您只需要: 从 canvas.onclick 中移除 context.clearR
我在绘制和缩放 ImageView 时遇到问题。请帮帮我.. 当我画一些东西然后拖动或缩放图像时 - 绘图保留在原处,如您在屏幕截图中所见。而且我只需要简单地在图片上绘图,并且可以缩放和拖动这张图片。
我们可以在形式之外绘制图像和文本...我的意思是在字面上... 我知道问这个问题很愚蠢但是我们能不能... 最佳答案 您可以通过创建表单并将其 TransparentColor 属性设置为背景色来“作
我在绘制/布局期间收到 3 个对象分配警告 super.onDraw(canvas); canvas.drawColor(Color.WHITE); Paint textPaint = new Pai
我有一个示例时间序列数据框: df = pd.DataFrame({'year':'1990','1991','1992','1993','1994','1995','1996',
我试图想出一种简洁的方法来绘制 R 数据框中所有列的 GridView 。问题是我的数据框中既有离散值又有数值。为简单起见,我们可以使用 R 提供的名为 iris 的示例数据集。我会使用 par(mf
我有一个由 10 列和 50 行组成的 data.frame。我使用 apply 函数逐列计算密度函数。现在我想绘制我一次计算的密度。 换句话说,而不是绘图... plot(den[[1]]) plo
我想知道我们如何才能在第一个和第二个组件之外绘制个人,如下所示: 最佳答案 这可能有效: pc.cr <- princomp(USArrests, cor = TRUE) pairs(pc.cr$lo
我是Pandas和matplotlib的新手,想绘制此DataFrame season won team matches pct_won 0 20
我正在尝试为 distplot 子图编写一个 for 循环。 我有一个包含许多不同长度列的数据框。 (不包括 NaN 值) fig = make_subplots( rows=len(asse
我想创建一个具有密度的 3d 图。 我使用函数 density 首先为特定的 x 值创建一个二维图,然后该函数创建密度并将它们放入 y 变量中。现在我有第二组 x 值并将其再次放入密度函数中,然后我得
全部, 我一直在研究全局所有 MTB 步道的索引。我是 Python 人,所以对于所有涉及的步骤,我都尝试使用 Python 模块。 我能够像这样从 OSM 立交桥 API 中获取关系: from O
我正在使用 e1071 包中的支持向量机对我的数据进行分类,并希望可视化机器实际如何进行分类。但是,在使用 plot.svm 函数时,出现无法解决的错误。 脚本: library("e1071") d
我制作了以下图表,它是使用 xts 对象创建的。 我使用的代码很简单 plot(graphTS1$CCLL, type = "l", las = 2, ylab = "(c)\nCC for I
在绘制状态图时,您如何知道哪些状态放在框中,哪些状态用于转换箭头?我注意到转换也是状态。 我正在查看 this page 上的图 1 : 最佳答案 转换不是状态。转换是将对象从一种状态移动到下一种状态
我是一名优秀的程序员,十分优秀!