[机器学习] 第二章 模型评估与选择 2.ROC：roc_curve原理及源代码详解

最新推荐文章于 2024-07-23 00:27:20 发布
最新推荐文章于 2024-07-23 00:27:20 发布
阅读量1.2k 收藏
点赞数 1
分类专栏： 机器学习 文章标签： 机器学习 人工智能
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/Trance95/article/details/116424439
版权

roc_ovo_ovr.py代码见：https://github.com/Carrie-Yi/machine_learning/tree/main/roc_curve

about roc

  1. 针对 二分类ovo （one vs one 一对一）与 多分类ovr （one vs rest，一对多，样本可能是多个类中的一个类）的roc_curve绘制问题，
    roc原本常用于二分类问题class=[0,1]；但对于多分类的roc, 也可以采取平均roc曲线和平均auc来度量模型性能。
  2. 对于sample_weight, 通常我们设置为weight=1, 样本均衡, 权重相同。也可以做更改。
  3. 对于threshold_index，np.logical_or(true,diff(tps,2),diff(fps,2),true)二阶差分进行优化，得到了优化后的threshold_index（阈值数组长度45→11）
optimal_idxs = np.where(np.r_[True,
了解本专栏 订阅专栏 解锁全文 超级会员免费看
心心喵
关注
  • 1
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
专栏目录
订阅专栏
AUCROC 原理与代码实战案例讲解
禅与计算机程序设计艺术
07-13 924
1. 背景介绍 1.1 问题的由来 在机器学习和数据科学领域，我们经常需要评估模型的性能。这通常涉及到比较模型的预测结果和实际观察结果。为了进行这种比较，我们需要一种量化的方法来衡量模型的性能。这就是AUC-ROC曲线的由来。 1.2 研究现状 A
超简单白话文机器学习 - 模型检验与评估（含算法介绍，公式，源代码实现以及调包实现）
qq_51222843的博客
05-31 1373
指标通过定量评估分类模型性能，帮助我们在实际应用中做出更明智的决策。
最全ROC曲线绘制（Python）_python将分训练组和验证组绘制roc曲线，2024年最新面试要知道几种坑
2401_84140060的博客
05-13 1172
Python崛起并且风靡，因为优点多、应用领域广、被大牛们认可。学习 Python 门槛很低，但它的晋级路线很多，通过它你能进入机器学习、数据挖掘、大数据，CS等更加高级的领域。Python可以做网络应用，可以做科学计算，数据分析，可以做网络爬虫，可以做机器学习、自然语言处理、可以写游戏、可以做桌面应用…Python可以做的很多，你需要学好基础，再选择明确的方向。这里给大家分享一份全套的 Python 学习资料，给那些想学习 Python 的小伙伴们一点帮助！
机器学习模型评估与超参数调优详解
Datawhale
07-03 1851
↑↑↑关注后"星标"Datawhale每日干货 &每月组队学习，不错过Datawhale干货作者：李祖贤 深圳大学，Datawhale高校群成员机器学习分...
模型监控与故障诊断原理与代码实战案例讲解
最新发布
禅与计算机程序设计艺术
07-23 846
模型监控与故障诊断原理与代码实战案例讲解 作者：禅与计算机程序设计艺术 / Zen and the Art of Computer Programming 1. 背景介绍 1.1 问题的由来 随着人工智能技术的飞速发展，模
【机器学习】详解交叉验证&具体代码实现
weixin_57084877的博客
10-25 2798
简单的机器学习交叉验证
AUC原理与代码实例讲解
禅与计算机程序设计艺术
06-28 867
AUC原理与代码实例讲解 作者：禅与计算机程序设计艺术 / Zen and the Art of Computer Programming 关键词：AUC原理,AUC指标,ROC曲线,二分类问题,评估方法 1. 背景介绍 1.1 问题的由来
召回率Recall原理与代码实例讲解
禅与计算机程序设计艺术
07-08 997
召回率Recall原理与代码实例讲解 作者：禅与计算机程序设计艺术 / Zen and the Art of Computer Programming 关键词：召回率, Precision-Recall曲线, ROC曲线,AUC值,二分类评价指标 1. 背景介绍
【数据分析与挖掘实战】金融风控之贷款违约预测详解2(有代码和数据集)
m0_49263811的博客
12-09 3489
本文接着上一篇博客，如果您未阅读上篇博客，请点击【数据分析与挖掘实战】金融风控之贷款违约预测详解1(有代码和数据集) 七.建模和调参 7.1模型相关原理介绍 由于相关算法原理篇幅较长，本文推荐了一些博客供初学者们进行学习。 7.1.1 逻辑回归模型 7.1.2 决策树模型 7.1.3GBDT模型 7.1.4 XGBoost模型 7.1.5 LightGBM模型 7.1.6 Catboost模型 7.2 模型对比与性能评估 7.2.1逻辑回归 优点 训练速度较快，分类的时候，计算量仅仅只和特征的数目相关；
西瓜书《机器学习》-第二章 模型评估与选择代码实现.zip
10-19
【我的博客有详细讲解】 题目要求： ...2、对两模型的交叉验证预测结果，分别给出混淆矩阵、P、R和F1值，作出P-R曲线、ROC曲线，并求AUC。 3、应用paired t-test假设检验，比较两个模型性能的优劣。
roc.zip_Matlab ROC_roc_roc curve_信号ROC曲线_检测ROC
09-20
ROC曲线，全称为Receiver Operating Characteristic曲线，是评估二分类模型性能的重要工具，尤其在信号检测与估计领域中有着广泛的应用。ROC曲线通过绘制真阳性率（True Positive Rate, TPR）与假阳性率（False ...
ROC-curve.rar_open_roc_roc_curve
09-24
ROC曲线（Receiver Operating Characteristic Curve）是评估二分类模型性能的一种重要工具，尤其在医学诊断、信号检测等领域广泛应用。在机器学习中，我们通常通过构建模型来区分两类数据，如正例与负例。ROC曲线...
ROC_Curve_Code_Augmentation.zip_roc_roc_curve_roccurve在matlab
07-13
一个基于matlab实现的ROC Curve Code Augmentation，包括相应的说明和程序源码。
roc.zip_ROC matlab_plotroc_plotroc matlab_roc_roc curve
07-14
ROC曲线（Receiver Operating Characteristic Curve）是评估二分类模型性能的一种重要工具，尤其在医学诊断、信号检测等领域广泛应用。在MATLAB中，绘制ROC曲线通常使用`plotroc`函数，这个函数可以帮助我们可视化...
[机器学习] 无偏估计和有偏估计及公式证明
热门推荐
心宝的博客
05-06 1万+
关于无偏估计 无偏估计：对于总体，样本均值是总体均值的无偏估计，如果k阶原点距期望存在，则样本的k阶原点矩也是无偏估计， 但中心距不是。 有偏方差和无偏方差 有偏估计方差 无偏估计方差 当样本数趋于无穷时，有偏估计和无偏估计等价。 无偏估计方差的公式证明 关于分母为什么是n-1的通俗的理解 自由度，通俗来讲，就是不受约束的变量的个数。 因为μ已知，x1,…xn，n个变量只需要知道n-1个就能知道最后一个，所以自由度是n-1。 ...
[机器学习] 数据缺失的处理方法及其优缺点分析
心宝的博客
04-02 3041
参考：数据缺失的处理方法及其优缺点分析 - 知乎 一、缺失值的原因 缺失值是指粗糙数据中由于缺少信息而造成的数据的聚类、分组、删失或截断。它指的是现有数据集中某个或某些属性的值是不完全的。缺失值的产生的原因主要为： 无意的：信息被遗漏，比如由于工作人员的疏忽忘记而缺失；或由于数据采集器故障等原因造成的缺失，比如系统实时性要求较高的时候，机器来不及判断和决策而造成缺失； 有意的：有些数据集在特征描述中会规定将缺失值也作为一种特征值，这时候缺失值就可以看作是一种特殊的特征值； 不存在：有些特征属性根本
[机器学习] SSE,MSE,RMSE,R-square指标讲解
心宝的博客
06-16 2243
参考：https://blog.csdn.net/l18930738887/article/details/50629409 SSE(和方差、误差平方和)：The sum of squares due to error MSE(均方差、方差)：Mean squared error RMSE(均方根、标准差)：Root mean squared error R-square(确定系数)：Coefficient of determination Adjusted R-square：Degree-of-freed
[机器学习] 第二章 模型评估与选择 1.ROC、AUC、Precision、Recall、F1_score
心宝的博客
04-09 1981
1.非均衡分类问题 类别分类代价不等 例如：垃圾邮件过滤中，我们希望重要的邮件永远不要被误判为垃圾邮件。 还有在癌症检测中，宁愿误判也不漏判。 此时分类错误率的度量不充分 所以，在分类中，当某个类别的重要性高于其他类别时，可以使用Precison和Recall多个比分类错误率更好的新指标。 条件阳性（P） 数据中真实阳性病例的数量 条件否（N） 数据中实际否定案例的数量 Precision（查准率）： 预测为正例的样本中真正正例的比例。 eg: 99正 1负 预测 1正√ 99负 TP/(TP
利用sklearn.metrics.roc_curve绘制roc曲线代码
05-24
以下是一个简单的使用sklearn.metrics.roc_curve绘制ROC曲线的代码示例： ```python from sklearn.datasets import make_classification from sklearn.model_selection import train_test_split from sklearn.linear_model import LogisticRegression from sklearn.metrics import roc_curve, auc import matplotlib.pyplot as plt # 生成模拟数据 X, y = make_classification(n_samples=1000, n_classes=2, weights=[1,1], random_state=42) # 划分训练集和测试集 X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42) # 训练逻辑回归模型 model = LogisticRegression() model.fit(X_train, y_train) # 预测概率值 y_prob = model.predict_proba(X_test)[:,1] # 计算fpr和tpr fpr, tpr, thresholds = roc_curve(y_test, y_prob) # 计算AUC roc_auc = auc(fpr, tpr) # 绘制ROC曲线 plt.plot(fpr, tpr, color='darkorange', lw=2, label='ROC curve (area = %0.2f)' % roc_auc) plt.plot([0, 1], [0, 1], color='navy', lw=2, linestyle='--') plt.xlim([0.0, 1.0]) plt.ylim([0.0, 1.05]) plt.xlabel('False Positive Rate') plt.ylabel('True Positive Rate') plt.title('Receiver operating characteristic example') plt.legend(loc="lower right") plt.show() ``` 在这个例子中，我们生成了一个二分类模拟数据集，并使用逻辑回归模型进行训练。我们使用sklearn.metrics.roc_curve计算fpr和tpr，然后使用sklearn.metrics.auc计算AUC。最后，我们使用matplotlib.pyplot绘制ROC曲线。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
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

打赏作者

心心喵

喵喵(*^▽^*）

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
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