模型训练损失,正确率绘制曲线图


import matplotlib.pyplot as plt
from matplotlib.pyplot import MultipleLocator


# 创建第一张画布
plt.figure(0)

# 绘制训练损失曲线
plt.plot(all_train_losses, label="Train Loss")
# 绘制验证损失曲线, 颜色为红色
plt.plot(all_valid_losses, color="red", label="Valid Loss")
# 定义横坐标刻度间隔对象, 间隔为1, 代表每一轮次
x_major_locator=MultipleLocator(1)
# 获得当前坐标图句柄
ax=plt.gca()
# 设置横坐标刻度间隔
ax.xaxis.set_major_locator(x_major_locator)
# 设置横坐标取值范围
plt.xlim(1,epochs)
# 曲线说明在左上方
plt.legend(loc='upper left')
# 保存图片
plt.savefig("./loss.png")



# 创建第二张画布
plt.figure(1)

# 绘制训练准确率曲线
plt.plot(all_train_acc, label="Train Acc")

# 绘制验证准确率曲线, 颜色为红色
plt.plot(all_valid_acc, color="red", label="Valid Acc")
# 定义横坐标刻度间隔对象, 间隔为1, 代表每一轮次
x_major_locator=MultipleLocator(1)
# 获得当前坐标图句柄
ax=plt.gca()
# 设置横坐标刻度间隔
ax.xaxis.set_major_locator(x_major_locator)
# 设置横坐标取值范围
plt.xlim(1,epochs)
# 曲线说明在左上方
plt.legend(loc='upper left')
# 保存图片
plt.savefig("./acc.png")

训练和验证损失对照曲线
在这里插入图片描述
训练和验证准确率对照曲线:
在这里插入图片描述

  • 10
    点赞
  • 125
    收藏
    觉得还不错? 一键收藏
  • 4
    评论
首先,需要明确GCN模型是什么,以及ROC曲线是什么。GCN是一种神经网络模型,主要用于数据的分类、回归等任务,而ROC曲线是一种用于评估二分类模型性能的方法,通过绘制真阳性率(True Positive Rate)与假阳性率(False Positive Rate)之间的曲线,来描述分类器在不同阈值下的性能。 接下来,我们来看一下如何基于GCN模型绘制ROC曲线。首先,需要准备用于训练和测试GCN模型的数据集,并将其划分为训练集和测试集。然后,通过基于GCN模型训练出分类器,并在测试集上进行评估,得到分类器在每个阈值下的真阳性率和假阳性率。最后,通过将所有真阳性率和假阳性率绘制在同一张上,即可得到ROC曲线。 在Python中,可以使用scikit-learn库中的roc_curve函数来计算真阳性率和假阳性率,并使用matplotlib库来绘制ROC曲线。具体的代码实现如下: ```python import numpy as np import matplotlib.pyplot as plt from sklearn.metrics import roc_curve, auc from gcn_model import GCNModel # 导入GCN模型 # 准备数据集,划分训练集和测试集 x_train, y_train, x_test, y_test = ... # 基于GCN模型训练分类器,对测试集进行评估 model = GCNModel(...) model.fit(x_train, y_train) y_pred = model.predict(x_test) # 计算真阳性率和假阳性率 fpr, tpr, threshold = roc_curve(y_test, y_pred) roc_auc = auc(fpr, tpr) # 绘制ROC曲线 plt.title('Receiver Operating Characteristic') plt.plot(fpr, tpr, 'b', label = 'AUC = %0.2f' % roc_auc) plt.legend(loc = 'lower right') plt.plot([0, 1], [0, 1],'r--') plt.xlim([0, 1]) plt.ylim([0, 1]) plt.ylabel('True Positive Rate') plt.xlabel('False Positive Rate') plt.show() ``` 注意,上面的代码中涉及到了gcn_model模块中的GCNModel类,需要根据实际情况进行替换,以便正确地训练和评估GCN模型
评论 4
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