Deep Learning中常见图、线的绘制 -- ROC、PR、箱线图、折线图、损失变化图(1)

1.载入.npy文件;pred_images.npy文件是模型预测的结果的汇总;gt_images.npy是ground truth的汇总

pred = np.load(‘pred_images.npy’)

gt = np.load(‘gt_images.npy’)

2.定义一个画布

plt.figure(1)

3.计算fpr、tpr及roc曲线的面积

fpr, tpr, thresholds = roc_curve((gt), pred)

roc_auc = auc(fpr, tpr)

4.绘制roc曲线

plt.plot(fpr, tpr, label=‘UNet (area = {:.4f})’.format(roc_auc), color=‘blue’)

5.格式个性化

font1 = {

‘weight’ : ‘normal’,

‘size’ : 14, }

plt.xlabel(“FPR (False Positive Rate)”, font1)

plt.ylabel(“TPR (True Positive Rate)”, font1)

plt.legend(loc=“lower right”, fontsize=12)

plt.xticks(fontsize=13)

plt.yticks(fontsize=13)

plt.axis([0, 1, 0.70, 1])

plt.title(‘ROC Curve’, font1)

plt.show()

print(‘Done!’)

在这里插入图片描述

1.2 PR曲线的绘制

1.载入.npy文件;pred_images.npy文件是UNet模型预测的结果的汇总;gt_images.npy是ground truth的汇总

pred = np.load(‘pred_images.npy’)

gt = np.load(‘gt_images.npy’)

2.定义一个画布

plt.figure(1)

precision, recall, thresholds = precision_recall_curve(gt, pred)

precision = np.fliplr([precision])[0] # so the array is increasing (you won’t get negative AUC)

recall = np.fliplr([recall])[0] # so the array is increasing (you won’t get negative AUC)

AUC_prec_rec = np.trapz(precision, recall)

plt.plot(recall, precision, ‘-’, label=‘UNet (area = %.4f)’ % AUC_prec_rec, color=‘blue’)

font1 = {

‘weight’ : ‘normal’,

‘size’ : 14, }

plt.title(‘Precision Recall Curve’, font1)

plt.xlabel(“Recall”, font1)

plt.ylabel(“Precision”, font1)

plt.xticks(fontsize=12)

plt.yticks(fontsize=12)

plt.legend(loc=“lower left”, fontsize=8)

plt.axis([0.2, 0.9, 0.7, 1])

plt.show()

在这里插入图片描述

二、折线图


a = np.random.randn(5)

x_list = [‘a’, ‘b’, ‘c’, ‘d’, ‘e’]

fig = plt.figure()

plt.plot(x_list, a, marker=‘o’, markersize=3)

for a, b in zip(x_list, a):

plt.text(a, b, b, ha=‘center’, va=‘top’, fontsize=8)

plt.legend([‘line’])

plt.show()

在这里插入图片描述

三、箱型图


data_list = []

a = np.random.randn(10)

b = np.random.randn(10)

c = np.random.randn(10)

d = np.random.randn(10)

e = np.random.randn(10)

data_list.append(a)

data_list.append(b)

data_list.append©

data_list.append(d)

data_list.append(e)

fig = plt.figure()

plt.boxplot(data_list, notch=False, vert=True, meanline=True, showmeans=True, sym=None)

plt.xticks([data+1 for data in range(len(data_list))], [‘a’, ‘b’, ‘c’, ‘d’, ‘e’])

plt.plot()

plt.show()

在这里插入图片描述

四、损失变化图


绘制损失变化图需要使用Visdom,相关visdom库得内容可以参考Visdom

最后

自我介绍一下,小编13年上海交大毕业,曾经在小公司待过,也去过华为、OPPO等大厂,18年进入阿里一直到现在。

深知大多数Java工程师,想要提升技能,往往是自己摸索成长,自己不成体系的自学效果低效漫长且无助。

因此收集整理了一份《2024年Java开发全套学习资料》,初衷也很简单,就是希望能够帮助到想自学提升又不知道该从何学起的朋友,同时减轻大家的负担。

既有适合小白学习的零基础资料,也有适合3年以上经验的小伙伴深入学习提升的进阶课程,基本涵盖了95%以上Java开发知识点,不论你是刚入门Java开发的新手,还是希望在技术上不断提升的资深开发者,这些资料都将为你打开新的学习之门!

如果你觉得这些内容对你有帮助,需要这份全套学习资料的朋友可以戳我获取!!

由于文件比较大,这里只是将部分目录截图出来,每个节点里面都包含大厂面经、学习笔记、源码讲义、实战项目、讲解视频,并且会持续更新!
盖了95%以上Java开发知识点,不论你是刚入门Java开发的新手,还是希望在技术上不断提升的资深开发者,这些资料都将为你打开新的学习之门!**

如果你觉得这些内容对你有帮助,需要这份全套学习资料的朋友可以戳我获取!!

由于文件比较大,这里只是将部分目录截图出来,每个节点里面都包含大厂面经、学习笔记、源码讲义、实战项目、讲解视频,并且会持续更新!

  • 19
    点赞
  • 19
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
Python绘制多条ROC线的方法如下: 1. 导入所需的库:`import matplotlib.pyplot as plt` 2. 准备数据:获取多个分类器的真正率(True Positive Rate, TPR)和假正率(False Positive Rate, FPR)曲线数据,这些数据可以通过调用分类器的评估函数获得。 3. 创建像和子对象:`fig, ax = plt.subplots()` 4. 循环绘制线:使用`ax.plot()`函数,一次绘制每个分类器的ROC线,传入分类器的TPR和FPR数据作为参数。 5. 添加标题和标签:使用`ax.set()`函数,设置像的标题、X轴和Y轴的标签。 6. 设置例:如果需要,使用`ax.legend()`函数,设置例以显示每个分类器的标识。 7. 显示像:使用`plt.show()`函数,显示绘制好的ROC线像。 下面是一个简单的示例代码,其包含了绘制两条ROC线的基本步骤: ```python import matplotlib.pyplot as plt # 准备数据 classifier_1_tpr = [0.1, 0.2, 0.4, 0.6, 0.8] # 分类器1的TPR数据 classifier_1_fpr = [0.2, 0.3, 0.5, 0.7, 0.9] # 分类器1的FPR数据 classifier_2_tpr = [0.2, 0.3, 0.5, 0.7, 0.9] # 分类器2的TPR数据 classifier_2_fpr = [0.1, 0.2, 0.4, 0.6, 0.8] # 分类器2的FPR数据 # 创建像和子对象 fig, ax = plt.subplots() # 绘制线 ax.plot(classifier_1_fpr, classifier_1_tpr, label='Classifier 1') ax.plot(classifier_2_fpr, classifier_2_tpr, label='Classifier 2') # 添加标题和标签 ax.set(title='ROC Curve', xlabel='False Positive Rate', ylabel='True Positive Rate') # 设置例 ax.legend() # 显示像 plt.show() ``` 以上代码,我们首先准备了两个分类器的TPR和FPR数据,然后使用`ax.plot()`函数绘制了两条ROC线,接着用`ax.set()`函数设置了标题和标签,最后使用`ax.legend()`函数设置了例,最终使用`plt.show()`函数显示了绘制好的ROC线像。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值