- 博客(4)
- 收藏
- 关注
RSS订阅原创 混淆矩阵和分类常用指标（AUC，AUPR，Accuracy，Precision，Recall和F1-score）的计算及其详解
在计算各个分类指标前，博主准备了两个预训练二分类模型，并在测试集上测试它们，获得对应的预测分数和预测标签，其。）[1] 是一个用于描述分类模型性能的工具。它用于总结分类算法在测试数据集上的表现情况。：正类一般是研究中所关注的一类样本。对指标的计算我们借助机器学习库。
2024-07-16 11:57:51
608
原创 Python利用Seaborn绘制UMAP散点图
UMAPUniformManifoldAProjection）是一种用于降维的非线性技术，主要用于高维数据的可视化和探索 [1]。它可以将高维数据嵌入到低维空间（通常是二维或三维），以便我们可以更容易地观察数据的结构和模式。UMAP在处理大规模数据时表现良好，特别是在保持局部和全局结构方面有较好的平衡。它广泛应用于各种数据科学和机器学习任务，例如聚类、分类、和降维。可视化高维数据分布时，可借助UMAP先将高维数据投影到二维空间，再利用Seaborn。
2024-06-02 13:22:25
802
原创 Python利用Seaborn绘制ROC和PR曲线以及AUC与AUPR的计算
ROC曲线 [1], [2]（ReceiverOperatingCharacteristic Curve，接收者操作特征曲线）是一种用于评估二分类模型性能的重要工具。ROC曲线通过不同阈值下的真阳性率（True Positive Rate, TPR）和假阳性率（False Positive Rate, FPR）的变化情况，直观地展示模型的分类能力。具体而言，ROC曲线的横轴表示假阳性率，纵轴表示真阳性率。假阳性率是指将负样本错误地分类为正样本的比例，而真阳性率是指将正样本正确地分类为正样本的比例。
2024-06-01 17:23:25
1880
原创 Python使用Matplotlib和Seaborn绘制箱线图
箱线图是一种用作显示一组数据分布情况的统计图。它能显示出一组数据的最大值、最小值、中位数、及上下四分位数，甚至还可以显示出数据的均值。本文用Python的绘图工具包Matplotlib和Seaborn绘制箱线图。
2024-05-30 20:56:15
2166
1
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人