y_preds_proba[:,1]

最新推荐文章于 2024-03-06 16:35:06 发布
最新推荐文章于 2024-03-06 16:35:06 发布
阅读量533 收藏
点赞数
原文链接：https://yq.aliyun.com/articles/613308
版权 




clf_gbdt = GradientBoostingClassifier()

clf_gbdt.fit(x_train, y_train)

y_preds_gbdt = clf_gbdt.predict(x_test)

y_preds_proba = clf_gbdt.predict_proba(x_test)
print('fi_score:',f1_score(y_test,y_preds_gbdt))
print(y_preds_proba[:,1])
print(y_preds_proba[:,1].shape,y_test.shape)
print('roc_auc_score:',roc_auc_score(y_test,y_preds_proba[:,1]))
weixin_34178244
关注
roc曲线python_风控（一）：ROC曲线和K-S曲线比较及python实现
weixin_28709715的博客
01-14 1133
1.混淆矩阵(一级指标)以分类模型中最简单的二分类为例，对于这种问题，我们的模型最终需要判断样本的结果是0还是1，或者说是positive还是negative。我们通过样本的采集，能够直接知道真实情况下，哪些数据结果是positive，哪些结果是negative。同时，我们通过用样本数据跑出分类型模型的结果，也可以知道模型认为这些数据哪些是positive，哪些是negative。因此，我们就能得...
算法实践第三天
算法实践第一天 ——模型构建
12-13 762
算法实践第三天 数据任务：模型评估代码实现导入包加载数据划分数据集定义得分和ROC曲线函数1.xgboost结果ROC曲线2.Lightgbm结果ROC曲线3.GBDT结果ROC曲线4.随机森林结果ROC曲线5.决策树结果ROC曲线6.线性SVM结果ROC曲线7.逻辑回归结果ROC曲线遇到的问题： 数据 和day01中的数据一样data_all.csv 任务：模型评估 记录7个模型（在Task1的...
多分类使用sklearn计算y_pred和y_prob
最新发布
luyanpingya的博客
03-06 507
发现发现输出的y_pred标签没有对应于y_pred_prob中每一个最大值对应位置的标签，找不到存在的问题。原来是在使用sklearn计算y_pred时，类别标签是从0，开始，导致结果无法对应。多方面检查后，才发现。
机器学习——决策树模型：Python实现
qq_34357269的博客
11-09 8144
机器学习——决策树模型：Python实现欢迎使用Markdown编辑器新的改变功能快捷键合理的创建标题，有助于目录的生成如何改变文本的样式插入链接与图片如何插入一段漂亮的代码片生成一个适合你的列表创建一个表格设定内容居中、居左、居右SmartyPants创建一个自定义列表如何创建一个注脚注释也是必不可少的KaTeX数学公式新的甘特图功能，丰富你的文章UML 图表FLowchart流程图导出与导入导出导入 欢迎使用Markdown编辑器 你好！ 这是你第一次使用 Markdown编辑器 所展示的欢迎页。如果你
XGBoost模型及LightGBM模型案例（Python）
热门推荐
qq_42433311的博客
04-29 1万+
XGBoost算法原理参考其他详细博客以及官方文档 LightGBM算法原理参考其他详细博客以及官方文档 这里介绍两个算法的简单案例应用。 1 XGBoosting案例：金融反欺诈模型 信用卡盗刷一般发生在持卡人信息被不法分子窃取后复制卡片进行消费或信用卡被他人冒领后激活并消费等情况下。一旦发生信用卡盗刷，持卡人和银行都会遭受一定的经济损失。因此，通过大数据技术搭建金融反欺诈模型对银行来说尤为重要。 1.1模型搭建 1.1.1读取数据 通过如下代码读取1000条客户信用卡的交易数据。 特..
pytorch中 _,preds=torch.max(outputs,1)的问题
Fred的博客
04-14 4970
说明： _,preds=torch.max(outputs,1)，这几天用pytorch写代码，一开始出现这句话我还没具体研究其具体用法，但是搭建模型它总是出现，我决定好好研究其用法， 为此我还查了pytorch的文档，终于搞清楚了，原来就是如此简单。 还有就是这个下划线_然后还有一个点是什么意思？其实下划线相当于一个变量，比如定义变量a，然后后面又有一个变量preds，所以中间当然要加逗号，就是用下划线做为变量让我 很意外，不加下划线表示返回一行中最大的数，加下划线表示返回一行中最大数的索引。 附
信用卡交易数据异常检测
weixin_44458771的博客
08-02 3840
creditcard.csv信用卡交易数据异常检测
X_train,X_test,y_train,y_test=train_test_split(X ,y,test_size=0.2,random_state=1) from sklearn import tree DecTreeModel = tree.DecisionTreeClassifier().fit(X_train, y_train) preds = DecTreeModel.predict(X_test) print('accuracy', metrics.accuracy_score(y_test, preds)) print('recall', metrics.recall_score(y_test, preds)) print('precision', metrics.precision_score(y_test, preds)) print('f1-score', metrics.f1_score(y_test, preds)) print(classification_report(y_test, preds)) y_scores = DecTreeModel.predict_proba(X_test) from sklearn.metrics import roc_curve from sklearn.metrics import confusion_matrix import matplotlib import matplotlib.pyplot as plt %matplotlib inline # calculate ROC curve fpr, tpr, thresholds = roc_curve(y_test, y_scores[:,1]) # plot ROC curve fig = plt.figure(figsize=(16, 8)) # Plot the diagonal 50% line plt.plot([0, 1], [0, 1], 'k--') # Plot the FPR and TPR achieved by our model plt.plot(fpr, tpr) plt.xlabel('False Positive Rate') plt.ylabel('True Positive Rate') plt.title('ROC Curve') plt.show()
06-11
接着，使用 predict_proba 函数计算测试集上的预测得分，然后使用 roc_curve 函数计算接收器操作特征曲线（ROC 曲线）的 FPR 和 TPR，最后使用 Matplotlib 库绘制 ROC 曲线，并且将其展示出来。
predict_proba
Du_Shuang的博客
11-16 1367
转载于：https://blog.csdn.net/m0_37870649/article/details/79549142 predict_proba返回的是一个 n 行 k 列的数组， 第 i 行 第 j 列上的数值是模型预测 第 i 个预测样本为某个标签的概率，并且每一行的概率和为1。 # conding :utf-8 from sklearn.linear_model import L...
proba
03-06
你好
逻辑回归模型 - 股票客户流失预警模型
高水瓶
10-15 870
# 代码汇总 # 1.读取数据 import pandas as pd df = pd.read_excel('股票客户流失.xlsx') # 2.划分特征变量和目标变量 X = df.drop(columns='是否流失') y = df['是否流失'] # 3.划分训练集和测试集 from sklearn.model_selection import train_test_split X_train, X_test, y_train, y_test = train_test_split...
逻辑回归实战笔记
qq_41055843的博客
01-13 247
数据预处理： 当不同特征分布极度不均： :分别为两类数据，其中 过采样：生成个2数据类型，使数分布均匀 下采样：在1数据类型中取个数出来，使数据分布较均匀 同一特征数据波动范围较大： 归一化：除以最大值，使数据在[0, 1]上 标准化：[-1, 1], from sklearn.preprocessing import StandardScaler StandardScaler().fit_transform(data[column].reshape(-1, 1)) # -1的解释：‘-
【语法 布尔索引】将模型的预测结果 preds 转换为二进制格式 preds = (preds ＞ 0.5).float()
qq_46110320的博客
02-27 805
首先看一个示例，该示例其实是通过布尔索引。
文本分类(三) | (6) 番外篇(预训练语言模型的另一种使用方式)
sdu_hao的博客
01-31 8001
完整项目(番外篇) 本篇博客也是对Github优秀文本分类项目的解析，该文本分类项目，主要基于预训练语言模型，包括bert、xlnet、bert/xlnet + CNN/GRU/LSTM、Albert等，使用PyTorch实现。 项目其实提供了一种预训练语言模型的通用方法，可以将本项目扩展为使用任意的预训练语言模型（包括：albert、xlnet、roberta，t5，gpt等，以及他们与各种...
TensorFlow：tensorflow之过拟合问题实战
逐梦er的博客
10-31 4579
文章目录过拟合问题实战1.构建数据集2.网络层数的影响3.Dropout的影响4.正则化的影响 过拟合问题实战 1.构建数据集 我们使用的数据集样本特性向量长度为 2，标签为 0 或 1，分别代表了 2 种类别。借助于 scikit-learn 库中提供的 make_moons 工具我们可以生成任意多数据的训练集。 import matplotlib.pyplot as plt # 导入数据集生成工具 import numpy as np import seaborn as sns from sklearn
X_train,X_test,y_train,y_test=train_test_split(X ,y,test_size=0.2,random_state=1)；reg = 0.01 LogRegModel = LogisticRegression(C=1/reg, solver = 'liblinear').fit(X_train, y_train) preds = LogRegModel.predict(X_test) print('accuracy', metrics.accuracy_score(y_test, preds)) print('recall', metrics.recall_score(y_test, preds)) print('precision', metrics.precision_score(y_test, preds)) print('f1-score', metrics.f1_score(y_test, preds))；from sklearn. metrics import classification_report print(classification_report(y_test, preds))；from sklearn.metrics import roc_curve from sklearn.metrics import confusion_matrix import matplotlib import matplotlib.pyplot as plt %matplotlib inline y_scores = LogRegModel.predict_proba(X_test) print(y_scores) # calculate ROC curve fpr, tpr, thresholds = roc_curve(y_test, y_scores[:,1]) # plot ROC curve fig = plt.figure(figsize=(6, 6)) # Plot the diagonal 50% line plt.plot([0, 1], [0, 1], 'k--') # Plot the FPR and TPR achieved by our model plt.plot(fpr, tpr) plt.xlabel('False Positive Rate') plt.ylabel('True Positive Rate') plt.title('ROC Curve') plt.show()
06-11
这是一个二分类问题的逻辑回归模型的评估过程，其中使用了 train_test_split 进行数据集的划分，然后使用 LogisticRegression 进行模型的训练，并对测试集进行预测，使用了多个评价指标，如准确率、召回率、精确率、...
Proba
03-15
Proba
每个Kaggle冠军的获胜法门：揭秘Python中的模型集成
weixin_34357887的博客
01-15 999
选自Dataquest作者：Sebastian Flennerhag机器之心编译集成方法可将多种机器学习模型的预测结果结合在一起，获得单个模型无法匹敌的精确结果，它已成为几乎所有 Kaggle 竞赛冠军的必选方案。那么，我们该如何使用 Python 集成各类模型呢？本文作者，曼彻斯特大学计算机科学与社会统计学院的在读博士 Sebastian Flennerhag 对此进行了一番简述。在 Pytho...
【Python】时间序列数据分析与预测之Python工具汇总
fengdu78的博客
05-11 5362
本文中总结了十多种时间序列数据分析和预测工具和python库，在我们处理时间序列项目时，可以翻开本文，根据需要选择合适的工具，将会事半功倍！在处理时间序列项目时，数据科学家或 ML 工程师通常会使用特定的工具和库。或者他们使用一些众所周知的工具，而这些工具已被证明可以很好地适用与对应的时间序列项目。如果能将这些工具汇总，在以后的项目中将会很受用。这篇文章是一个时间序列工具...
模型集成方法： Stacked generation
hero_fantao的专栏
06-22 3610
Stacked generation分为两个阶段   1. Level-0 generalizers Level-0 generalizers阶段生成Level-1 generalizers阶段的输入数据。 我们有K个简单的分类模型，然后如何ensemble这些模型的结果，等价于这些模型的权重是多少？ 一种就是根据把训练集分割一定比率来训练这K个简单模型，用这个K的模型预测剩下部分的训练集
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