绘制AUC ROC 曲线 计算混淆矩阵

本文介绍了如何在机器学习中通过绘制AUC ROC曲线和计算混淆矩阵来评估模型性能。文中提供了准确率召回率曲线的示例,并强调曲线接近右上角表示分类效果更好。同时展示了曲线下面积的计算,指出当该值大于0.8时,模型被认为是可行的。
摘要由CSDN通过智能技术生成

绘制AUC ROC 曲线 计算混淆矩阵

准确率召回率曲线,曲线下面积等是机器学习中常用来检验模型的标准,话不多说,直接上代码。

# -*- coding: utf-8 -*-
"""
Created on Fri Apr 10 23:36:57 2020

@author: dell
"""
import h5py
import numpy as np
import matplotlib.pyplot as plt

from keras.models import load_model

from sklearn import svm, datasets
from sklearn.metrics import roc_curve, auc, confusion_matrix  ###计算roc和auc 混淆矩阵
from sklearn import model_selection
# import mglearn



def load_data():
    
    test_data_path = r"C:\Users\dell\Desktop\data\test_data_normalized.nc"
    with h5py.File( test_data_path, mode = 'r') 
  • 3
    点赞
  • 6
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
评论 1
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