机器学习中使用AUC指标时用model.predict()还是model.predict_proba()

于 2024-05-13 17:33:51 发布
阅读量331 收藏
点赞数 6
文章标签： 机器学习 人工智能 python
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/carefu_l/article/details/138811769
版权

从接触机器学习到现在，在做二分类项目时，一直都用的
y_pred = model.predict(X_test)
auc = roc_auc_score(y_true, y_pred)
到今天才发现原来用错了，用y_pred = model.predict_proba(X_test)[:, 1]比model.predict(X_test)的auc值要高很多
可以参考sk-learn的roc_auc_score函数文档
在这里插入图片描述

carefu_l
关注
  • 6
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
machine learning Logistic regression
12-09
机器学习LR分类器算法的Python实现，博文参考 http://blog.csdn.net/suipingsp/article/details/41822313
Keras构建神经网络踩坑(解决model.predict预测值全为0.0的问题)
09-16
主要介绍了Keras构建神经网络踩坑(解决model.predict预测值全为0.0的问题)，具有很好的参考价值，希望对大家有所帮助。一起跟随小编过来看看吧
model.predict).round()是什么意思呢，具体用法？
最新发布
qlkaicx的博客
02-24 519
是对一个机器学习模型（model）的预测结果进行后处理的操作。: 使用训练好的模型model对测试数据x_test进行预测。这个操作会返回一个数组或列表，其中包含模型对x_test中每个样本的预测值。.round(2): 对预测结果应用round函数，将每个预测值四舍五入到小数点后两位。round函数是 Python 的内置函数，用于将浮点数四舍五入到指定的小数位数。
tensorflow - model.predict
柳杰的博客
12-05 2万+
predict( x, batch_size=None, verbose=0, steps=None, callbacks=None, max_queue_size=10, workers=1, use_multiprocessing=False ) 参数： x:输入样本，格式可以是 - Numpy数组（或类似array的数组）或数组列表（如果模型具有多个输入）。 - TensorFlow张量或张量列表（如果模型具有多个输入）。 - tf.data数据集。 - 生成器或keras.
model.predict( ) 函数：把输入数据放到模型中预测
Fwuyi的博客
03-03 3万+
model.predict( ) 作用：把输入数据放到模型中预测 model.predict( ) 语法： model.predict(x_input) model.predict( ) 参数： x_input是输入数据，将输入数据放到已经训练好的模型中，可以得到预测出的输出值
【Django】项目中调用深度学习模型model.predict()（Django两种启动方式runserver和uwsgi的区别）
IDoWhatIDo_92761的博客
07-15 2321
问题 部署含有深度学习模型的Django项目的uWSGI、Nginx服务器的时候，所有模块都可以正常运行，也可以实现并发。唯独在处理需要调用深度学习模型的请求的时候无法成功运行，也不报错。一度更换了云主机，换成了有GPU的云主机，又掉进了显卡驱动的一堆坑中，在此记录一下。附上（腾讯CVM）GPU云主机显卡驱动。workers/processes一直busy但是没反应，卡着不动。
python sklearn教程_sklearn的predict_proba使用说明
weixin_39603217的博客
11-26 787
发现个很有用的方法——predict_proba今天在做数据预测的时候用到了，感觉很不错，所以记录分享一下，以后可能会经常用到。我的理解：predict_proba不同于predict，它返回的预测值为，获得所有结果的概率。（有多少个分类结果，每行就有多少个概率，以至于它对每个结果都有一个可能，如0、1就有两个概率）举例：获取数据及预测代码：from sklearn.linear_model im...
logRegres---python.zip_logregres_python 机器学习_逻辑回归_逻辑回归 python
09-23
逻辑回归是一种广泛应用于分类问题的统计学模型，尤其在机器学习领域中占据着重要的地位。在给定的压缩包文件“logRegres---python.zip”中，包含了一个名为“logRegres - 副本.py”的Python源代码文件，这很可能是...
ROC.ipynb_PYHTON_莺尾花_
10-02
ROC曲线（Receiver Operating Characteristic Curve）是机器学习和数据分析领域中一种重要的评估工具，尤其在二分类问题中，用于衡量模型的性能。本项目通过Python编程语言，利用鸢尾花（Iris）数据集来展示如何绘制...
DecisionTree_taughtxpe_算法_python_决策树_
09-29
决策树是一种广泛应用于数据分析和机器学习的算法，它通过创建类似树状的结构来做出预测。在本案例中，我们关注的是使用Python实现的决策树算法。`DecisionTree_taughtxpe` 可能是某种特定的教学或项目名称，旨在...
TensorFlow 2.0 model的predict()方法详解以及自定义predict实现预测数据和真实数据配对输出
yue81560的博客
03-31 4万+
TensorFlow模型训练过程中`fit()`可以直接设置`validation_data`为test数据集来测试模型的性能。但是通常我们要绘制模型的真实数据和预测数据的展示图，就需要输出模型的预测值。在使用Dataset作为模型输入时，由于其具有迭代器特征以及自动的shuffle，会使得预测值和真实值的数据排序顺序不一致，这时可以自定义predict过程，实现预测值和真实值的配对输出
Keras model.predict(X_test, batch_size=32，verbose=1)和model.predict_classes(X_test,verbose=1)函数的解析
笼中鸟
07-01 3万+
model.predict(X_test, batch_size=32，verbose=1) 参数解析： X_test：为即将要预测的测试集 batch_size:为一次性输入多少张图片给网络进行训练，最后输入图片的总数为测试集的个数 verbose:1代表显示进度条，0不显示进度条，默认为0 返回值：每个测试集的所预测的各个类别的概率 示例： # 各个类别评估（X_test为10000个数据集） print("[INFO] evaluating network...") predict
keras 迁移学习， 微调， model的predict函数定义
xiaojiajia007的博客
06-28 2万+
https://deeplearningsandbox.com/how-to-use-transfer-learning-and-fine-tuning-in-keras-and-tensorflow-to-build-an-image-recognition-94b0b02444f2 def add_new_last_layer(base_model, nb_classes): """
model.predict_classes(test) 和model.predict(test) 区别
热门推荐
zds的博客
06-10 6万+
在keras中做深度网络预测时，有这两个预测函数model.predict_classes(test) 和model.predict(test)，本例中是多分类，标签经过了one-hot编码，如[1,2,3,4,5]是标签类别，经编码后为[1 0 0 0 0],[0 1 0 0 0]...[0 0 0 0 1]model.predict_classes(test)预测的是类别，打印出来的值就是类别...
keras中model.predict中遇到的维度问题和暂时解决方式（求大佬看到解决一下）
Shenyan Wu的博客
02-24 4907
keras中model.predict中遇到的问题和暂时解决方式（求大佬看到解决一下） 在学习分类的时候，mnist数据集分类尝试时，因为训练维度的原因，教程中都是 model.predict([[X_train[0]]]) 这里说明是：因为训练维度为 3 维，所以需要添加 2 层 [ ]， 可是在我添加之后产生了如下问题 问题 : 问题是在访问数据集中单张图片时产生错误 下面为错误代码 : import pandas as pd import tensorflow as tf import matp
keras 中 model.predect() 与model.predict_classes()的区别
weixin_42365767的博客
02-27 2828
keras 中 model.predect() 与model.predict_classes()的区别 前言 今天在写程序的时候，发现keras中model.predict()与model.predict_classes()返回的结果不一样，在此记录。 代码如下（示例）： y = model.predict_classes(x) y_2 = model.predict(x) y_2_pre = np.argmax(y_2, axis=1) # axis = 1是取行的最大值的索引，0是列的最大值的索引
分享model.predict(test)与model.predict_classes(test)的用法
weixin_45988401的博客
11-12 1万+
**问题引入：**在以往我在做深度学习实验时，预测结果会调用model.ecaluate，可以直接到到loss与accuracy。但是最近要做D-S证据理论融合实验，这个输出结果就用不上了 model = Sequential() score = model.evaluate(x_test, y_test_hot, verbose=1) print('test loss:', score[0]) print('test accuracy:', score[1]) model.predict(x_te.
keras中model.evaluate、model.predict和model.predict_classes的区别
博客
10-01 7017
model.evaluate 用于评估您训练的模型。它的输出是model的acc和loss，而不是对输入数据的预测。 model.predict 实际预测，输入为test sample，输出为label。 在keras中有两个预测函数model.predict_classes(test) 和model.predict(test)。如果标签经过了one-hot编码，如[1,2,3,4,5...
分析这些代码，并且解释每个函数的作用：scores_XGB = [] scores_XGB.append(precision_score(val_y, y_pred)) scores_XGB.append(recall_score(val_y, y_pred)) confusion_matrix_XGB = confusion_matrix(val_y,y_pred) f1_score_XGB = f1_score(val_y, y_pred,labels=None, pos_label=0, average="binary", sample_weight=None) predictions_xgb = model_XGB.predict_proba(val_X) # 每一类的概率 FPR_xgb, recall_xgb, thresholds = roc_curve(val_y,predictions_xgb[:,1], pos_label=1) area_xgb = auc(FPR_xgb,recall_xgb)
04-19
这些代码涉及机器学习中对XGBoost模型的评估和预测。 1. `scores_XGB = []`：创建一个空列表用于存储XGBoost模型的评估指标得分。 2. `scores_XGB.append(precision_score(val_y, y_pred))`：在`scores_XGB`列表中添加精确度指标得分，使用真实标签`val_y`和预测标签`y_pred`。 3. `scores_XGB.append(recall_score(val_y, y_pred))`：在`scores_XGB`列表中添加召回率指标得分，使用真实标签`val_y`和预测标签`y_pred`。 4. `confusion_matrix_XGB = confusion_matrix(val_y,y_pred)`：计算混淆矩阵并将其赋值给`confusion_matrix_XGB`变量，使用真实标签`val_y`和预测标签`y_pred`。 5. `f1_score_XGB = f1_score(val_y, y_pred,labels=None, pos_label=0, average="binary", sample_weight=None)`：计算F1得分并将其分配给`f1_score_XGB`变量，使用真实标签`val_y`和预测标签`y_pred`，具有二元分类问题的二进制平均，F1度量在精确率和召回率之间进行平衡。 6. `predictions_xgb = model_XGB.predict_proba(val_X)`：使用XGBoost分类器对新数据做出预测，并将其分配给`predictions_xgb`变量，这里使用的是`predict_proba`而不是`predict`，是因为我们需要得出概率而不是类别标签。
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
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