roc

    2热度

    1回答

    仅通过查看其ROC曲线就可以了解分类器是否过度配置? 我看到如果它的AUC过高(例如98%)可能会过度配置,但它也可能意味着分类器非常好。有没有办法将这两种情况区分开来?

    0热度

    1回答

    我在试图找到二元结果的最佳预测器。 对于每种情况,A < X和B> Y%(对于C = Z%)。 A和B是连接的变量(剂量X与体积Y%)。 C是在每种情况下看到的频率。 然后我有不同的C的阈值,我可以用它来预测二元结果(P)。 我也有(O) - 真正的结果(二进制)。 我期待在多个X,Y和C值,其最佳匹配p来O. 因此,对于X的每个组合(4个离散点)和Y(10-90%,在10%的时间间隔)予有结果C

    1热度

    1回答

    我有10个以上的功能和一万个案例来训练逻辑回归分类人的种族。第一个例子是法语与非法语,第二个例子是英语与非英语。结果如下: ////////////////////////////////////////////////////// 1= fr 0= non-fr Class count: 0 69109 1 30891 dtype: int64 Accuracy: 0.95126

    1热度

    1回答

    我试图使用某些变量派生的特征来预测种族。从我以前的问题How to interpret this triangular shape ROC AUC curve?,我学会了使用decision_function或prediction_proba代替实际预测来拟合ROC曲线。 我可以使用下面的代码来生成ROC-AUC曲线,与SVM分类 # coding=utf-8 import pandas as

    3热度

    1回答

    我已经在Caffe训练过imagenet。现在我正在计算我的模型和caffe提供的训练模型的ROC/AUC。我有两个问题: 1)ROC/AUC主要用于二进制类,但我也发现在某些情况下,人们将它用于多类。 1000个课程可能吗?其影响是什么?正如在评论中,人们在多类问题中没有给出ROC/AUC的好答案。 2)如果可能的话,比较基于ROC/AUC的两个模型将是一个好主意,有谁可以告诉如何为Caffe中

    1热度

    1回答

    我是机器学习的新手,我目前正试图在Python 3.4中应用朴素贝叶斯分类器来实现ROC曲线。分类的实际代码给出有: from __future__ import division from collections import defaultdict from math import log def train(samples): classes, freq = default

    0热度

    2回答

    我有一些试验数据和标签混淆矩阵: testZ = [0.25, 0.29, 0.62, 0.27, 0.82, 1.18, 0.93, 0.54, 0.78, 0.31, 1.11, 1.08, 1.02]; testY = [1 1 1 1 1 2 2 2 2 2 2 2 2]; 我然后对它们进行排序: [sZ, ind] = sort(testZ); %%Sorts Z, and ge

    0热度

    3回答

    我试图创建一个SVM ROC曲线,在这里绘制ROC曲线是我所使用的代码: #learning from training #tuned <- tune.svm(y~., data=train, gamma = 10^(-6:-1), cost = 10^(1:2)) summary(tuned) svmmodel<-svm(y~., data=train, method="C-class

    2热度

    1回答

    当我们从Weka生成ROC曲线时,曲线以色标显示。我明白什么是ROC曲线。但是这个ROC曲线中色阶的含义是什么?

    1热度

    1回答

    我想将ROC曲线的所有坐标保存到列表中,以便稍后可以绘制多条ROC曲线。 如何指定我的x值以返回所有坐标? roc_train <- roc(target~prob, data=ordered_test, col="#1c61b6") coord_list <- list() coord_list[1] <- coords(roc_train)