python中argmax、append、confusion_matrix、classification_report用法

最新推荐文章于 2024-01-03 19:16:44 发布
最新推荐文章于 2024-01-03 19:16:44 发布
阅读量840 收藏
点赞数
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/weixin_42620091/article/details/82827608
版权

np.argmax 返回最大值索引
list.append 列表添加元素
confusion_matrix 混淆矩阵
classification_report 分类报告

星球坠落
关注
  • 0
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
图像分类模型评估之用python绘制混淆矩阵confusion_matrix
weixin_43984636的博客
03-31 5825
import oslabel = filename.split('.')[0] # 假设文件名为"label.image_id.jpg"格式label = label.split('_')[0] # 仅保留label信息# 加载数据集并进行预处理transforms.Resize((224, 224)), # 图像大小调整为224x224transforms.ToTensor(), # 将图像转换为Tensor格式，并将像素值缩放到[0, 1]
图像分类模型评估之用python绘制混淆矩阵confusion_matrix_python confusion_matrix(1)
最新发布
m0_63174529的博客
05-01 1301
import oslabel = filename.split('.')[0] # 假设文件名为"label.image_id.jpg"格式label = label.split('_')[0] # 仅保留label信息# 加载数据集并进行预处理transforms.Resize((224, 224)), # 图像大小调整为224x224transforms.ToTensor(), # 将图像转换为Tensor格式，并将像素值缩放到[0, 1]
【SKLEARN】classification_report函数与confusion_matrix函数
m0_58810879的博客
12-09 3118
本博客采取的例子为垃圾邮件预测。预测结果（标签）为0或1. 1.classification_report（）函数： 其官方说明文档如下： 其中文翻译如下： y_true：1d类数组，或标签指示器数组/稀疏矩阵 真实值（正确）目标值。 y_pred：1d类似数组，或标签指示器数组/稀疏矩阵 分类器返回的预测值。 labels：数组形状（n_标签），默认值=无 要包含在报告中的标签索引的可选列表。 其返回值为根据这组样本的真实值与预测值计算出的‘precision’、‘reca..
python绘制混淆矩阵
梁小憨憨的博客
11-14 7372
之前就了解过混淆矩阵，但是一直没有实践，今天刚好有数据实践一下，这里记录一下代码实现过程，方便以后查阅。
python绘制混淆矩阵matrix总结以及相关函数详解
gx19990824的博客
01-03 4045
有几个标签就填几个数。如上边两图所示，很明显，如果你类别很少，数字不紧凑的情况下，其实不带边界反而会好看一点，带边界主要是为了解决某些情况，你分类的类别很多，而且你方框里面的数字小数点后保留了蛮多位的时候，它显示的就会比较密，如果不带边界，就容易把两个数看成连着的。里面的两个值，说简单点，就是对应的就是分辨率，只不过是放缩了一百倍，比如我举得这个例子，（25.6，14.4）就是设置的常用的笔记本电脑的标准2k分辨率，也就是2560*1440。第一个参数，我这里的示例用的是test_y，表示你结果的标签。
python笔记argmax()
qq_44722189的博客
12-07 635
参考：https://blog.csdn.net/nyist_yangguang/article/details/118521240。axis = 0，简单理解，返回结果为：数组中每一列最大值所在“行”索引值。axis = 1，简单理解，返回结果为：数组中每一行最大值所在“列”索引值。参数axis可取(0,1)，默认是0，表示数组第几维的最大值。返回数组中最大值元素的索引位置。
python-django中的APPEND_SLASH实现方法
09-19
主要介绍了python-django中的APPEND_SLASH实现方法，本文给大家介绍的非常详细，具有一定的参考借鉴价值,需要的朋友可以参考下
Python中有趣在__call__函数
09-21
在Python编程语言中，`__call__`函数是一个特殊的方法，它使得类的实例能够像函数一样被调用。这个特性让Python具有了高度的灵活性和可扩展性。通过实现`__call__`方法，我们可以自定义对象的行为，使得它们在被调用...
Python中__call__用法实例
12-24
本文实例讲述了Python中__call__的用法，分享给大家供大家参考之用。具体方法如下： 先来看看如下示例代码： #call.py 一个class被载入的情况下。 class Next: List = [] def __init__(self,low,high) : for Num...
PHP中auto_prepend_file与auto_append_file用法实例分析
10-25
主要介绍了PHP中auto_prepend_file与auto_append_file用法,较为详细的讲述了配置信息的休息以及函数的用法和注意事项,需要的朋友可以参考下
Python小技巧 - argmax
Alan的博客
03-31 1万+
argmax 返回的是输入列表中最大值的位置，其重要性不必多言，但是据我所知 Python 自带的库中只提供 max 这个函数，并没有 argmax，但是实现起来不难。
classification_report分类报告的含义
qq_40306845的博客
11-10 1572
了解classification_report分类报告的含义，才能更好提升模型性能。
【Python】Numpy中的argmax()函数
weixin_45057858的博客
08-13 7933
【Python】Numpy中的argmax()函数
python学习笔记（一）argmax()
manduner的博客
03-09 8514
1，argmax() （1）针对一维数组：返回数组中最大值元素的索引位置，如下代码所示，输出结果为元素6的索引值：4 import numpy as np a = np.array([3, 1, 2, 4, 6, 1]) print(np.argmax(a)) #输出结果为4 （2）针对二维数组：参数axis可取(0,1)，默认是0，表示数组第几维的最大值。下面分别针对axis=0，axi...
详解numpy的argmax
oHongHong的博客
05-26 5万+
从最简单的例子出发 假定现在有一个数组a = [3, 1, 2, 4, 6, 1]现在要算数组a中最大数的索引是多少.这个问题对于刚学编程的同学就能解决.最直接的思路,先假定第0个数最大,然后拿这个和后面的数比,找到大的就更新索引.代码如下 a = [3, 1, 2, 4, 6, 1] maxindex = 0 i = 0 for tmp in a: if tmp > a[maxind
sklearn.metrics中的评估方法介绍（accuracy_score, recall_score, roc_curve, roc_auc_score, confusion_matrix）
热门推荐
Cherzhoucheer的博客
02-19 9万+
accuracy_score 分类准确率分数是指所有分类正确的百分比。分类准确率这一衡量分类器的标准比较容易理解，但是它不能告诉你响应值的潜在分布，并且它也不能告诉你分类器犯错的类型。 形式： sklearn.metrics.accuracy_score(y_true, y_pred, normalize=True, sample_weight=None) normalize：默认
Python学习笔记6：Numpy.argmax()
Softdiamonds的博客
05-05 565
用于返回的是x所在的最大值的下标的值。>>> a = np.arange(6).reshape(2,3) >>> a array([[0, 1, 2], [3, 4, 5]]) #默认是返回的所有的元素的最大的一个下标 >>> np.argmax(a) 5 ＃axis = 0 ,表示以行为基准，比较在相同列上的...
机器学习算法性能指标(Classification problems)
qq_44752117的博客
02-18 764
Machine Learning Algorithm Performance Metrics 数据集：diabetes.csv 参考书：《Machine Learning Mastery With Python Understand Your Data, Create Accurate Models and work Projects End-to-End》 获取链接：https://github.com/aoyinke/ML_learner Classification Metrics evaluate
numpy中argmax的用法
YECHAOOO的博客
05-14 1万+
numpy中argmax的用法 argmax返回的是最大数的索引.argmax有一个参数axis,默认是0,表示每一列的最大值的索引 axis=1表示每一行的最大值的索引 代码示例： axis=0 import numpy as np a = np.array([[1, 6, 5, 2], [9, 6, 2, 9], [3, 7, 9, 1]...
修改和补充下列代码得到十折交叉验证的平均auc值和平均aoc曲线，平均分类报告以及平均混淆矩阵 min_max_scaler = MinMaxScaler() X_train1, X_test1 = x[train_id], x[test_id] y_train1, y_test1 = y[train_id], y[test_id] # apply the same scaler to both sets of data X_train1 = min_max_scaler.fit_transform(X_train1) X_test1 = min_max_scaler.transform(X_test1) X_train1 = np.array(X_train1) X_test1 = np.array(X_test1) config = get_config() tree = gcForest(config) tree.fit(X_train1, y_train1) y_pred11 = tree.predict(X_test1) y_pred1.append(y_pred11 X_train.append(X_train1) X_test.append(X_test1) y_test.append(y_test1) y_train.append(y_train1) X_train_fuzzy1, X_test_fuzzy1 = X_fuzzy[train_id], X_fuzzy[test_id] y_train_fuzzy1, y_test_fuzzy1 = y_sampled[train_id], y_sampled[test_id] X_train_fuzzy1 = min_max_scaler.fit_transform(X_train_fuzzy1) X_test_fuzzy1 = min_max_scaler.transform(X_test_fuzzy1) X_train_fuzzy1 = np.array(X_train_fuzzy1) X_test_fuzzy1 = np.array(X_test_fuzzy1) config = get_config() tree = gcForest(config) tree.fit(X_train_fuzzy1, y_train_fuzzy1) y_predd = tree.predict(X_test_fuzzy1) y_pred.append(y_predd) X_test_fuzzy.append(X_test_fuzzy1) y_test_fuzzy.append(y_test_fuzzy1)y_pred = to_categorical(np.concatenate(y_pred), num_classes=3) y_pred1 = to_categorical(np.concatenate(y_pred1), num_classes=3) y_test = to_categorical(np.concatenate(y_test), num_classes=3) y_test_fuzzy = to_categorical(np.concatenate(y_test_fuzzy), num_classes=3) print(y_pred.shape) print(y_pred1.shape) print(y_test.shape) print(y_test_fuzzy.shape) # 深度森林 report1 = classification_report(y_test, y_prprint("DF",report1) report = classification_report(y_test_fuzzy, y_pred) print("DF-F",report) mse = mean_squared_error(y_test, y_pred1) rmse = math.sqrt(mse) print('深度森林RMSE:', rmse) print('深度森林Accuracy:', accuracy_score(y_test, y_pred1)) mse = mean_squared_error(y_test_fuzzy, y_pred) rmse = math.sqrt(mse) print('F深度森林RMSE:', rmse) print('F深度森林Accuracy:', accuracy_score(y_test_fuzzy, y_pred)) mse = mean_squared_error(y_test, y_pred) rmse = math.sqrt(mse) print('F?深度森林RMSE:', rmse) print('F?深度森林Accuracy:', accuracy_score(y_test, y_pred))
06-02
cm1 = confusion_matrix(y_test.argmax(axis=1), y_pred1.argmax(axis=1)) cm = confusion_matrix(y_test_fuzzy.argmax(axis=1), y_pred.argmax(axis=1)) print('DF Confusion Matrix:') print(cm1) print('DF-F ...

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
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