python将sklearn的RocCurveDisplay结果与PrecisionRecallDisplay结果合成为一个图
python将sklearn的RocCurveDisplay结果与PrecisionRecallDisplay结果合成为一个图
目录
python将sklearn的RocCurveDisplay结果与PrecisionRecallDisplay结果合成为一个图
#模型构建
#PrecisionRecallDisplay来可视化PR曲线
#RocCurveDisplay来可视化ROC曲线
#RocCurveDisplay结果与PrecisionRecallDisplay结果合成为一个图
#模型构建
print(__doc__)
from sklearn.datasets import fetch_openml
from sklearn.preprocessing import StandardScaler
from sklearn.pipeline import make_pipeline
from sklearn.linear_model import LogisticRegression
from sklearn.model_selection import train_test_splitX, y = fetch_openml(data_id=1464, return_X_y=True)
X_train, X_test, y_train, y_test = train_test_split(X, y, stratify=y)clf = make_pipeline(StandardScaler(), LogisticRegression(random_state=0))
clf.fit(X_train, y_train)
#PrecisionRecallDisplay来可视化PR曲线
from sklearn.metrics import precision_recall_curve
from sklearn.metrics import PrecisionRecallDisplayprec, recall, _ = precision_recall_curve(y_test, y_score,pos_label=clf.classes_[1])
pr_display = PrecisionRecallDisplay(precision=prec, recall=recall).plot()
#RocCurveDisplay来可视化ROC曲线
from sklearn.metrics import precision_recall_curve
from sklearn.metrics import PrecisionRecallDisplayprec, recall, _ = precision_recall_curve(y_test, y_score,pos_label=clf.classes_[1])
pr_display = PrecisionRecallDisplay(precision=prec, recall=recall).plot()
#RocCurveDisplay结果与PrecisionRecallDisplay结果合成为一个图
import matplotlib.pyplot as plt
fig, (ax1, ax2) = plt.subplots(1, 2, figsize=(12, 8))roc_display.plot(ax=ax1)
pr_display.plot(ax=ax2)
plt.show()
参考:RocCurveDisplay
参考:受试者工作特征曲线 (receiver operating characteristic curve,简称ROC曲线)
python将sklearn的RocCurveDisplay结果与PrecisionRecallDisplay结果合成为一个图相关推荐
- python使用sklearn的RocCurveDisplay来可视化ROC曲线(受试者工作特征曲线)
python使用sklearn的RocCurveDisplay来可视化ROC曲线(受试者工作特征曲线) 目录 python使用sklearn的RocCurveDisplay来可视化ROC曲线(受试者工 ...
- python使用sklearn的PrecisionRecallDisplay来可视化PR曲线
python使用sklearn的PrecisionRecallDisplay来可视化PR曲线 目录 python使用sklearn的PrecisionRecallDisplay来可视化PR曲线 #模型 ...
- python使用sklearn中的make_blobs函数生成聚类(clustering)分析需要的仿真数据、matplotlib可视化生成的仿真数据
python使用sklearn中的make_blobs函数生成聚类(clustering)分析需要的仿真数据.matplotlib可视化生成的仿真数据 目录
- python使用sklearn中的make_classification函数生成分类模型(classification)需要的仿真数据、使用pandas查看生成数据的特征数据、目标数据
python使用sklearn中的make_classification函数生成分类模型(classification)需要的仿真数据.使用pandas查看生成数据的特征数据(features).目标 ...
- Python使用sklearn和statsmodels构建多元线性回归模型(Multiple Linear Regression)并解读
Python使用sklearn和statsmodels构建多元线性回归模型(Multiple Linear Regression)并解读 #仿真数据集(预测股票指数) 这里的目标是根据两个宏观经济变量 ...
- Python使用sklearn构建lasso回归模型并指定样本权重:即构建带样本权重(sample_weight)的回归模型
Python使用sklearn构建lasso回归模型并指定样本权重:即构建带样本权重(sample_weight)的回归模型 目录
- Python使用sklearn构建广义线性模型:泊松回归(Poisson regression)实战
Python使用sklearn构建广义线性模型:泊松回归(Poisson regression)实战 目录 Python使用sklearn构建广义线性模型:泊松回归(Poisson regressio ...
- Python使用sklearn构建广义线性模型:gamma回归(Gamma regression)实战
Python使用sklearn构建广义线性模型:gamma回归(Gamma regression)实战 目录 Python使用sklearn构建广义线性模型:gamma回归(Gamma regress ...
- Python使用sklearn构建ElasticNet回归模型并指定样本权重:即构建带样本权重(sample_weight)的回归模型
Python使用sklearn构建ElasticNet回归模型并指定样本权重:即构建带样本权重(sample_weight)的回归模型 目录
最新文章
- 疫情严重!国内互联网公司上班时间汇总!
- 191027爬虫笔记
- 一波三折用OSD部署Vista中文企业版(下):SMS2003系列之九
- 5.在MVC中使用泛型仓储模式和工作单元来进行增删查改
- CodeIgniter2.0中sqlserver驱动返回受影响行数问题解决
- go interface 转int_大神是如何学习 Go 语言之反射的实现原理
- Java Web学习(五)session、cookie、token
- python学习-数据类型(布尔、空值)
- 剑指offer之求两个数之和(不能使用四则运算)
- 使用FormData进行Ajax请求上传文件
- linux系统优化配置
- [serial]基于select/poll/epoll的串口操作
- 用java判断x奇或偶_改善java程序——用偶判断,不用奇判断
- oracle解锁sysman用户,详解Oracle如何解锁用户的方法
- 第29章基于锁的并发数据结构
- Endian 的由来
- Luogu 3807(Lucas定理)
- 【位运算】系列题目合集
- 改注册表让win7/win8中的控制面板项的名字随心所欲
- asp.net928-研究生报名系统
热门文章
- 网络负载均衡-负载均衡器
- 有6个候选人,100个选民,每个选民选择一个侯选人投票;从键盘输入每个选民选择的候选人名,统计并输出6个候选人的票数。java,c++实现
- java处理视频_Java使用FFmpeg处理视频[视频直播三]
- IROS2021 | F-LOAM : Fast LiDAR Odometry and Mapping 解析
- 基于圆形标定点的相机几何参数的标定
- ResNet也能用在3D模型上了,清华「计图」团队新研究已开源
- 汇总|实时性语义分割算法(全)
- SpringMVC 如何实现将消息的websocket
- vc++给控件添加消息和函数
- ICML2020 | G2Gs:不依赖模板的的逆合成预测新框架