正规的彩票

sklearn的predict_proba使用说明

 更新时间: 2020年06月28日 11:51:37   转载 作者: 不论如何未来很美好  
这篇文章主要介绍了sklearn的predict_proba使用说明,具有很好的参考价值,希望对大家有所帮助。一起跟随小编过来看看吧

正规的彩票faxiangehenyouyongdefangfa——predict_proba

jintianzaizuoshujuyucedeshihouyongdaole,ganjuehenbucuo,suoyijilufenxiangyixia,yihoukenenghuijingchangyongdao。

zhengguidecaipiaodelijie: predict_probabutongyupredict,tafanhuideyucezhiwei,huodesuoyoujieguodegailv。(youduoshaogefenleijieguo,meixingjiuyouduoshaogegailv,yizhiyutaduimeigejieguodouyouyigekeneng,ru0、1jiuyoulianggegailv)

举例:

huoqushujujiyucedaima:

from sklearn.linear_model import LogisticRegression
import numpy as np
 
train_X = np.array(np.random.randint(0,10,size=30).reshape(10,3))
train_y = np.array(np.random.randint(0,2,size=10))
test_X = np.array(np.random.randint(0,10,size=12).reshape(4,3))
 
model = LogisticRegression()
model.fit(train_X,train_y)
test_y = model.predict_proba(test_X)
 
print(train_X)
print(train_y)
print(test_y)

xunlianshuju

[[2 9 8]
 [0 8 5]
 [7 1 2]
 [8 4 6]
 [8 8 3]
 [7 2 7]
 [6 4 3]
 [1 4 4]
 [1 9 3]
 [3 4 7]]

xunlianjieguo,yuxunlianshujuyiyiduiying:

[1 1 1 0 1 1 0 0 0 1]

ceshishuju:

[[4 3 0]  #测试数据
 [3 0 4]
 [2 9 5]
 [2 8 5]]

正规的彩票ceshijieguo,yuceshishujuyiyiduiying:

[[0.48753831 0.51246169] 
 [0.58182694 0.41817306]
 [0.85361393 0.14638607]
 [0.57018655 0.42981345]]

keyikanchu,yousixinglianglie,meixingduiyingyitiaoyuceshuju,liangliefenbieduiying duiyu0、1deyucegailv(zuobiangailvdayu0.5zewei0,fanzhiwei1)

正规的彩票zhengguidecaipiaolaikankanshiyongpredictfangfahuodedejieguo:

test_y = model.predict(test_X)
print(test_y)

shuchujieguo: [1,0,0,0]

正规的彩票suoyiyoudeqingkuangxiapredict_probahaishihenyouyongde,takeyihuodeduimeizhongkenengjieguodegailv,shiyongpredictzeshizhijiehuodeweiyideyucejieguo,suoyizaishiyongdeshihou,yinggailinghuoshiyong。

补充一个知识点: 正规的彩票关于预测结果标签如何与原来标签相对应

正规的彩票predict_probafanhuisuoyoubiaoqianzhikenengxinggailvzhi,zheixiezhishiruhepaixudeni?

正规的彩票fanhuimoxingzhongmeigeleideyangbengailv,qizhongleianleiself.classes_jinxingpaixu。

qizhongguanjiandebuzhouweinumpydeuniquefangfa,jitongguonp.unique(label)fangfa,duilabelzhongdesuoyoubiaoqianzhijinxingcongxiaodaodadequzhongpaixu。dedaoyigecongxiaodaodaweiyizhidepaixu。zheiyejiuduiyingyupredict_probadexingfanhuijieguo。

补充知识: python sklearn decision_function、predict_proba、predict

kandaima~

import matplotlib.pyplot as plt
import numpy as np
from sklearn.svm import SVC
X = np.array([[-1,-1],[-2,-1],[1,1],[2,1],[-1,1],[-1,2],[1,-1],[1,-2]])
y = np.array([0,0,1,1,2,2,3,3])
# y=np.array([1,1,2,2,3,3,4,4])
# clf = SVC(decision_function_shape="ovr",probability=True)
clf = SVC(probability=True)
clf.fit(X, y)
print(clf.decision_function(X))
'''
对于n分类,会有n个分类器,然后,任意两个分类器都可以算出一个分类界面,这样,用decision_function()时,对于任意一个样例,就会有n*(n-1)/2个值。
任意两个分类器可以算出一个分类界面,然后这个值就是距离分类界面的距离。
正规的彩票想,这个函数是为了统计画图,对于二分类时最明显,用来统计每个点离超平面有多远,为了在空间中直观的表示数据以及画超平面还有间隔平面等。
decision_function_shape="ovr"时是4个值,为ovo时是6个值。
'''
print(clf.predict(X))
clf.predict_proba(X) #这个是得分,每个分类器的得分,取最大得分对应的类。
#画图
plot_step=0.02
x_min, x_max = X[:, 0].min() - 1, X[:, 0].max() + 1
y_min, y_max = X[:, 1].min() - 1, X[:, 1].max() + 1
xx, yy = np.meshgrid(np.arange(x_min, x_max, plot_step),
           np.arange(y_min, y_max, plot_step))
 
Z = clf.predict(np.c_[xx.ravel(), yy.ravel()]) #对坐标风格上的点进行预测,来画分界面。其实最终看到的类的分界线就是分界面的边界线。
Z = Z.reshape(xx.shape)
cs = plt.contourf(xx, yy, Z, cmap=plt.cm.Paired)
plt.axis("tight")
 
class_names="ABCD"
plot_colors="rybg"
for i, n, c in zip(range(4), class_names, plot_colors):
  idx = np.where(y == i) #i为0或者1,两个类
  plt.scatter(X[idx, 0], X[idx, 1],
        c=c, cmap=plt.cm.Paired,
        label="Class %s" % n)
plt.xlim(x_min, x_max)
plt.ylim(y_min, y_max)
plt.legend(loc='upper right')
plt.xlabel('x')
plt.ylabel('y')
plt.title('Decision Boundary')
plt.show()

yishangzheipiansklearndepredict_probashiyongshuomingjiushixiaobianfenxiangjidajiadequanbuneirongle,xiwangnengjidajiayigecankao,yexiwangdajiaduoduozhichijiaobenzhijia。

正规的彩票相关的文章

  • Python实现计算文件夹下.h和.cpp文件的总行数

    Python实现计算文件夹下.h和.cpp文件的总行数

    这篇文章主要介绍了Python实现计算文件夹下.h和.cpp文件的总行数,本文直接给出实现代码,需要的朋友可以参考下
    2014-04-04
  • Django在pycharm下修改默认启动端口的方法

    Django在pycharm下修改默认启动端口的方法

    今天小编就为大家分享一篇Django在pycharm下修改默认启动端口的方法,具有很好的参考价值,希望对大家有所帮助。一起跟随小编过来看看吧
    2018-07-07
  • Python中的条件判断语句基础学习教程

    Python中的条件判断语句基础学习教程

    这篇文章主要介绍了Python中的条件判断语句基础学习教程,文中使用的是Python2.x版本但条件语句部分的使用规则未在3.x中改变,需要的朋友可以参考下
    2015-02-02
  • python实现12306登录并保存cookie的方法示例

    python实现12306登录并保存cookie的方法示例

    这篇文章主要介绍了 python实现12306登录并保存cookie的方法示例,文中通过示例代码介绍的非常详细,对大家的学习或者工作具有一定的参考学习价值,需要的朋友们下面随着小编来一起学习学习吧
    2018-12-12
  • Tensorflow卷积实现原理+手写python代码实现卷积教程

    Tensorflow卷积实现原理+手写python代码实现卷积教程

    这篇文章主要介绍了Tensorflow卷积实现原理+手写python代码实现卷积教程,具有很好的参考价值,希望对大家有所帮助。一起跟随小编过来看看吧
    2019-05-05
  • 基于Python实现人脸自动戴口罩系统

    基于Python实现人脸自动戴口罩系统

    2019年新型冠状病毒感染的肺炎疫情发生以来,牵动人心,举国哀痛,口罩、酒精、消毒液奇货可居。这篇文章主要介绍了基于Python的人脸自动戴口罩系统,需要的朋友可以参考下
    2019-02-02
  • Python3.5 Pandas模块缺失值处理和层次索引实例详解

    Python3.5 Pandas模块缺失值处理和层次索引实例详解

    这篇文章主要介绍了Python3.5 Pandas模块缺失值处理和层次索引,结合实例形式详细分析了Python3.5 Pandas模块缺失值处理和层次索引的原理、处理方法及相关操作注意事项,需要的朋友可以参考下
    2018-04-04
  • python paramiko利用sftp上传目录到远程的实例

    python paramiko利用sftp上传目录到远程的实例

    今天小编就为大家分享一篇python paramiko利用sftp上传目录到远程的实例,具有很好的参考价值,希望对大家有所帮助。一起跟随小编过来看看吧
    2018-01-01
  • Python操作Excel把数据分给sheet

    Python操作Excel把数据分给sheet

    这篇文章主要介绍了Python操作Excel把数据分给sheet,文中通过示例代码介绍的非常详细,对大家的学习或者工作具有一定的参考学习价值,需要的朋友可以参考下
    2019-05-05
  • pyqt5 实现工具栏文字图片同时显示

    pyqt5 实现工具栏文字图片同时显示

    今天小编就为大家分享一篇pyqt5 实现工具栏文字图片同时显示的方法,具有很好的参考价值,希望对大家有所帮助。一起跟随小编过来看看吧
    2018-06-06

最新评论

正规的彩票_正规彩票平台app下载[首页最快线路√] 彩票官网_彩票官网app|网站首页 彩票平台_彩票平台快三-[平台最快线路√] 彩票app下载_彩票app下载官网下载快三_官方入口 彩票平台_彩票平台app-专注彩票门户 彩票官网_彩票官网app下载网址-HOME 彩票平台_彩票平台登录-老品牌最信誉 彩票app_彩票app客户端下载>> 首页 彩票平台_彩票平台免费送彩金18-点击进入>! 彩票平台_彩票平台官网〖2020购彩首选〗 彩票app_彩票app彩票投注平台-Welcome