一个包含来自我的ML项目的代码的包,它具有可重用的潜力
ddplt的Python项目详细描述
滴滴涕
一个包含来自我的ML项目的代码的包,它有可能被重用。在
安装
包安装很简单,因为repo在PyPi上可用:
pip install ddplt
混淆矩阵
为分类结果绘制混淆矩阵:
^{pr2}$交叉验证接收器工作特性和precision recall曲线
使用k-折叠交叉验证绘制接收器工作特性(ROC)和precision recall(PR)曲线:
fromddplt.classificationimportdraw_roc_prc_cvfromsklearn.datasetsimportmake_moonsfromsklearn.linear_modelimportLogisticRegressionfromsklearn.model_selectionimportKFoldX,y=make_moons(500,noise=.2,random_state=123)estimator=LogisticRegression()cv=KFold(n_splits=5,shuffle=True,random_state=123)draw_roc_prc_cv(estimator,X,y,cv)
函数draw_roc_prc_cv
接受以下参数:
estimator
-Scikit-learn的具有集合超参数的估计器。估计量不必拟合。在X
-形状为(n_instances,n_features)
的数组- ^{-like-labels
实例 cv
-交叉验证生成器,负责创建k-对X
和y
的折叠拆分
see the docs for info regarding the optional parameters
在每一次CV迭代中,将估计量拟合到训练次数上,并对实例进行类概率预测 在测试折叠内。然后根据概率生成ROC和PR曲线。在
图中包括:
- 单个ROC/PR曲线
- 平均ROC/PR曲线
- 阴影区表示+-1标准偏差
图例中报告了ROC和PR曲线下的区域。在
注意:仅使用函数draw_roc_cv
或{
学习曲线
TODO-尚未实现
创建绘图,显示不同大小的培训数据的绩效评估。该方法应接受:
- 现有
Axes
- 绩效衡量(例如准确度、MSE、精密度、召回率等)
- 。。。在
相关热图
TODO-尚未实现
网格中每个正方形都有一个颜色,表示预测器之间的关联强度。您可以在皮尔逊和斯皮尔曼之间选择相关系数,结果显示在方框内。在
- 项目
标签: