我想要将AUC wrt绘制到决策树的深度，但min_samples_split值在变化
AUC wrt（with respect to）绘制到决策树的深度，是指在决策树的构建过程中，通过改变决策树的深度，并计算每个深度下的AUC（Area Under the Curve），来了解深度对于模型性能的影响。
决策树是一种常用的分类和回归算法，通过构建树形结构来进行决策或预测。决策树的深度是指树中从根节点到叶子节点的最长路径长度。调整决策树的深度可以控制模型的复杂度和拟合能力。
在将AUC wrt绘制到决策树的深度时，需要进行以下步骤：
- 数据准备：准备用于训练决策树的数据集，并将其划分为训练集和测试集。
- 构建决策树：使用训练集数据，根据给定的min_samples_split值，构建决策树模型。
- 绘制AUC wrt决策树深度曲线：依次改变决策树的深度，计算每个深度下的AUC值。可以使用机器学习库中的函数或自定义函数来计算AUC。
- 分析结果：观察AUC wrt决策树深度曲线，了解决策树深度对模型性能的影响。通常，随着深度的增加，模型的复杂度和拟合能力也会增加，但过度深的决策树可能会导致过拟合。
在这个过程中，可以借助腾讯云的相关产品来支持云计算需求，例如：
- 腾讯云机器学习平台（产品链接：https://cloud.tencent.com/product/tiup）：提供了丰富的机器学习和数据处理功能，可以用于决策树的构建和性能评估。
- 腾讯云人工智能平台（产品链接：https://cloud.tencent.com/product/ai）：提供了包括自然语言处理、图像识别、语音识别等在内的人工智能服务，可以与决策树算法相结合，进行更复杂的模型构建和应用场景。
以上是关于将AUC wrt绘制到决策树的深度的一般步骤和腾讯云产品的相关介绍，希望对您有所帮助。
相关·内容
我想绘制决策树模型中的列车auc和cv auc w.r.t深度变化，但min_samples_split值发生变化，如代码所示。如果我将min_samples_split的值固定为5或10。然后绘制曲线，但是如果我取min_samples_split =5，10的两个值，那么我得到的值是错误的:x和y必须具有相同的第一维度，但具有形状(5，)和(10，)。我理解错误，但如何将其绘制出来。 train_auc = []
cv_auc = []
depth = [1, 5, 10, 50, 100]
k = [5, 10]
for i in depth :
for p in k
浏览 11提问于2019-06-17得票数 0
2回答
我正在尝试调整我的随机森林分类器。当我使用GridSearchCV时，最好的参数是min_samples_split = 2，min_samples_leaf = 4，max_depth = None，我认为这绝对是一个过度拟合。因此，我绘制了训练和测试数据的auc：
该图显示，随着max_depth的增加，train_auc和test_auc都将增加；该图有意义吗？因为我认为在某个时候，随着我们增加深度，测试数据的性能实际上会下降。
浏览 9提问于2020-07-11得票数 0
1回答
我需要绘制一个热图，用于在kaggle提供的donorschoose数据集的网格搜索后找到决策树的最佳超参数。 这里我有两个超参数： max_depth=[1, 5, 10, 50, 100, 500]
min_samples_split=[5, 10, 100, 500]
X_tr_bow = hstack((X_train_price_norm,X_train_categories_ohe,X_train_state_ohe,X_train_teacher_ohe,X_train_grade_ohe,X_train_essay__bow,X_train_clean_title__bow
浏览 36提问于2019-05-25得票数 2
我正在对python中的随机森林进行调优，并想知道我的模型是否/为什么过于合适。数据集描述如下：
1700例阳性病例/ 54000例总病例~ 3.2% (不平衡)
50个数字特征，~450标签/热编码特征(后数据缩减)
10 hold使用85%的数据，15%用于最终测试
分类度量= AUC或F1 (由于数据不平衡)
我得到的结果倾向于建议使用非常深的树，即深度18，不限制每次分割的样本数=2(默认)。在这种情况下，列车AUC为99.9%，最大测试AUC为84%。在树的最大深度上，我的分数几乎是单调增加的。考虑到结果和树有多深-我怀疑这个模型太合适了？如果是这样的话，为什么我不观察到在深度和mi
浏览 0提问于2018-06-19得票数 3
我试图使用GridSearchCV实现决策树分类器。在实现之后，我试图访问cv_results_.mean_train_score，但是我得到了关键错误。
tuned_parameters = [{'max_depth': [1, 5, 10, 25, 50, 75, 100, 150, 250, 500, 750, 1000],
'min_samples_split' : [5, 10, 25, 50, 75, 150, 250, 500]}]
cv_timeSeries = TimeSer
浏览 0提问于2019-06-02得票数 2
基于业务部门提供给我们的数据，我使用sklearn决策树算法来确定一个二进制分类问题的ROC_AUC。
数据由450行组成，数据中有30个特性。
我使用了10次StratifiedKFold重复/分割训练和测试数据。因此，我得到了以下ROC_AUC值：
0.624
0.594
0.522
0.623
0.585
0.656
0.629
0.719
0.589
0.589
0.592
由于我是机器学习方面的新手，我不确定是否可以期望ROC_AUC值的这种变化(最小值为0.522，最大值为0.719)。
我的问题是：
会不会有这么大的变化呢？
它能用更多的数据来减少吗？
如果ROC_A
浏览 1提问于2018-02-12得票数 0
在不调整超参数的情况下，我收到的AUC值更高。我使用了相同的训练数据，可能是我在这里遗漏了什么，或者是一些有效的解释。
数据是使用经过预先训练的GLoVE向量为50个维度的tweet计算的tweet单词嵌入的平均值。
不调谐的：
RandomForestClassifier(bootstrap=True, class_weight=None, criterion='gini',
max_depth=None, max_features='auto', max_leaf_nodes=None,
min_impurit
浏览 0提问于2018-12-10得票数 1
回答已采纳
1回答
决策树的深度取决于什么？
、、、
下面是DecisionTreeClassifier的参数: max_depth
max_depth : int or None, optional (default=None)
The maximum depth of the tree. If None, then nodes are expanded until all leaves are pure or until all leaves contain less than min_samples_split samples.
我一直认为决策树的深度应该等于或小于给定数据集的特征(属性)的数量。如果我们在提到的参数输入之前找到
浏览 1提问于2018-10-04得票数 1
回答已采纳
我想执行一个随机搜索，在分类问题上，将选择评分方法作为AUC，而不是准确性评分。看看我的可再现性代码：
# Define imports and create data
import numpy as np
from sklearn.ensemble import RandomForestClassifier
from sklearn.model_selection import RandomizedSearchCV
x = np.random.normal(0, 1, 100)
y = np.random.binomial(0, 1, 100)
### Let's defi
浏览 6提问于2022-05-06得票数 0
6回答
问题涉及决策树的建立。根据维基百科的说法，'基尼系数‘不应该与'基尼杂质’混淆。然而，这两种方法都可以在构建决策树时使用--它们可以支持我们在拆分项目集时的选择。
1)“基尼杂质”--这是一种标准的决策树分裂度量(见上面的链接)；
2)“基尼系数”--每一次分裂都可以根据AUC准则进行评估。对于每个分裂场景，我们可以构建一个ROC曲线并计算AUC度量。根据维基百科AUC=(GiniCoeff+1)/2；
问题是:这两项措施是否等同？一方面，我被告知，基尼系数不应与基尼杂质混淆。另一方面，这两种方法都可以用于做同样的事情--评估决策树拆分的质量。
浏览 0提问于2014-09-09得票数 33
我尝试了使用Python的sklearn和Spark的本地独立MLlib实现的GBDT，默认设置用于解决二进制分类问题。在这两种情况下，我保持numIterations，损失函数相同。这些特征都是实值的和连续的。然而，与sklearn相比，MLLib实现中的AUC相差甚远。以下是sklearn分类器的参数：
GradientBoostingClassifier(
init=None, learning_rate=0.001, loss='deviance',max_depth=8,
max_features=None, max_leaf_nodes=None,
浏览 0提问于2015-12-10得票数 1
我应该如何构建一个完全增长的决策树，每个终端节点都有一个数据点？我正在寻找一个树模型，给出一个样本内错误率等于0%。
from sklearn import tree
clf = tree.DecisionTreeClassifier(random_state=0, min_samples_split=2, max_depth=100000000)
clf = clf.fit(feature, tgt)
pred = clf.predict(feature) * tgt
len(pred[pred > 0]) / len(pred)
我期望从这段代码中得到1.0，但由于某种原因，我得
浏览 0提问于2019-08-08得票数 1
3回答
如何返回CatBoost模型的所有超参数？
注意:我不认为这是的重复，因为该问题/答案不能满足我的需求。
例如，使用sklearn，我可以这样做：
rf = ensemble.RandomForestClassifier(min_samples_split=2)
print rf
RandomForestClassifier(bootstrap=True, class_weight=None, criterion='gini',
max_depth=None, max_features='auto', max_leaf_nodes=No
浏览 12提问于2019-04-11得票数 3
1回答
我试着把两种不同的情况分类。因此，我建立了决策树，建立了混淆矩阵，计算了决策树的准确性、灵敏度和细节。我运行了我的程序100次，所以我有100的准确性，敏感性和具体值。
，我现在想做的，是用AUC绘制出中华民国的曲线。我做了一些研究，所有这些例子都在讨论概率，我不知道这些究竟是什么。
有人能帮我策划这个吗？我不知道我应该提供代码的哪一部分，所以请随意索取。
浏览 0提问于2018-11-08得票数 0
回答已采纳
1回答
当使用决策树等离散分类器时，通过混淆矩阵得到一个点(FPR，TPR)，当我试图绘制ROC AUC曲线时，得到阈值：
roc_curve(y_test,mod.predict(X_test))
产出：
(array([ 0.00000000e+00, 5.92624518e-04, 1.00000000e+00]),
array([ 0. , 0.11766772, 1. ]),
array([ 2., 1., 0.]))
阈值= 2.,1.,0.，
我无法解释这些阈值，如何解释它们以找到TPR和FPR？
浏览 4提问于2020-02-03得票数 0
我可视化了我的决策树辅助器，我注意到，样本的总和是错误的或者是不同的--“值”值与样本的值不匹配(屏幕快照)？我是否曲解了我的决策树？我想如果在我的节点中得到100个样本，其中40个是真的，60个是假的，我就会得到我的下一个节点40个(或60个)样本，这些样本再次被分割.
import matplotlib.pyplot as plt
from sklearn import tree
tree1=DecisionTreeClassifier(criterion="entropy",max_features=13,max_leaf_nodes=75,min_impurity_de
浏览 2提问于2021-03-26得票数 2
回答已采纳
我对cross_val_score评分指标'roc_auc‘和我可以直接导入和调用的roc_auc_score之间的区别感到困惑。
文档()指出，指定scoring='roc_auc‘将使用sklearn.metrics.roc_auc_score。但是，当我使用scoring='roc_auc‘实现GridSearchCV或cross_val_score时，我收到的数字与直接调用roc_auc_score时截然不同。
以下是我的代码来帮助演示我所看到的内容：
# score the model using cross_val_score
rf = RandomFor
浏览 0提问于2015-11-11得票数 14
回答已采纳
我在这里是一个完全R的初学者，对这个问题有相应的复杂程度。
我正在使用R中的ROCR包来生成ROC曲线的绘图数据。然后，我使用ggplot2绘制绘图。如下所示：
library(ggplot2)
library(ROCR)
inputFile <- read.csv("path/to/file", header=FALSE, sep=" ", colClasses=c('numeric','numeric'), col.names=c('score','label'))
predictio
浏览 0提问于2012-08-08得票数 5
回答已采纳
1回答
随机森林太合适了
、、、
我正在使用scikit学习一个分层的简历来比较一些分类器。我在计算:准确，回忆，auc。
我用了一个5简历的参数优化GridSearchCV。
RandomForestClassifier(warm_start= True, min_samples_leaf= 1, n_estimators= 800, min_samples_split= 5,max_features= 'log2', max_depth= 400, class_weight=None)
是来自best_params的GridSearchCV。
我的问题是，我觉得我真的太适合了。例如：
具有标准差(+/-)
浏览 2提问于2015-11-27得票数 5
回答已采纳
1回答
我在绘制ROC曲线时没有问题，它也是根据我的要求绘制的，但我面临的问题是(ylim轴)它从0.1到1.05开始，它只绘制偶数(0.0，0.2，0.4...1.05)，但我想扩展ylim轴(例如。0.0 0.1 0.2 0.3...1.05)。我想要一个代码，既包括偶数和奇数，同时绘制ROC曲线。
我在matplotlib中搜索，但没有找到任何与我的问题相关的内容。
lw = 2
plt.figure()
plt.plot(fpr11, tpr11, 'o-', ms=2, label='ROC_curve_APOE(AUC11 = %0.4f)'
%
浏览 18提问于2019-07-10得票数 0
回答已采纳
2回答
我很难在python中绘制OneClassSVM的AUC图(我正在使用sklearn来生成混乱矩阵，比如[[tp, fp],[fn,tn]]和fn=tn=0。
from sklearn.metrics import roc_curve, auc
fpr, tpr, thresholds = roc_curve(y_test, y_nb_predicted)
roc_auc = auc(fpr, tpr) # this generates ValueError[1]
print "Area under the ROC curve : %f" % roc_auc
plt.plot(
浏览 1提问于2015-01-19得票数 4
回答已采纳
假设我们有一个二进制分类问题，我们在数据集上构建了一个决策树。
假设我们有5个特征，那么决策树将在第一步中选择最优的特征，并在这个特征上选择最佳的阈值来分割数据集，然后继续使树更深。best的定义是分类误差最小的。
我的问题是:既然决策树在每一步都会选择最佳的特征来分割，那么为什么随机森林(也就是许多决策树)是对决策树的改进？一个决策树不就足够了吗？
更新
我的意思是:如果你有一个decision tree classifier和一个参数相同的random forest classifier (max_depth，number of children等)，那么decision tree cla
浏览 0提问于2019-05-01得票数 2
2回答
我已经定义了一个XGBoost模型，并想要调优它的一些超参数。
我正在使用GridSearchCV找到最好的参数。但是，我也尝试在整个训练数据集上拟合模型，并且我注意到“roc_auc”性能度量比我使用网格搜索时要高。我很惊讶，因为我期待着网格搜索能够更好地执行。我想我错过了直觉。
我的理解是，对于网格搜索交叉验证，对于k折叠，给定来自param_grid的参数值，gridsearchcv分别在折叠上拟合模型，并计算期望的性能度量。稍后，对于这个特定的参数，它接受所有折叠的“平均值”，计算出的“roc_auc”。网格搜索对params_grid中的所有其他给定参数重复此过程。最后，“.best
浏览 0提问于2020-05-12得票数 0
1回答
只有一种情况下生成树叶的决策树
、、、、
早些时候，我问过一个关于市场预测分析的问题。面向潜在客户的营销预测模型(使用熊猫)对此仍有一些怀疑，但我对我为营销数据生成的决策树表示怀疑。
我的目的是预测一个领先是赢还是输，这取决于他们是如何意识到产品等。我有一个bool变量“韩元”，0销售失败，1-销售。使用决策树，我能够生成一个模型，但是，对于导致不获胜的情况，没有叶子。
这是正常的吗？我见过虹膜数据集的例子，其中所有三个特性都表示在树中，因此我想知道我所采取的方法是否正确。
在38000的数据集中，大约有1700人拥有Won=1。
📷
我正在使用熊猫，我的DecisionTreeClassifier参数是：
min_samples_s
浏览 0提问于2016-04-28得票数 3
回答已采纳
如何构建具有所需深度的树？例如，我想创建一个深度仅为3的决策树。
load ionosphere
treeModel = fitctree(X,Y)
view(treeModel)
view(treeModel,'mode','graph')
这段代码创建了7棵深度树。我使用相同的数据集，但我想创建具有3到2个深度的树。在matlab上我该怎么做？
浏览 1提问于2017-11-11得票数 1
我所做的：
AccuRev更新
SourceCode不再编译，而且它应该编译，因为它在其他机器上编译。
我不明白，所以我从我的硬盘中删除了我的工作区，然后从AccuRev中填充它。
我得到了大量的文件在‘下面’和‘深重叠’状态
这里的问题：
为什么我会得到这种状态的文件？(我如何解决这个问题，我恢复到文件从‘深重叠’文件，现在我合并文件从‘深重叠’，但有很多！
我怎么才能从回购处得到文件？
谢谢!
浏览 6提问于2013-11-08得票数 2
回答已采纳
1回答
Spark中的随机森林
、、、、
因此，我尝试将某些文本文档分为三类。
我在spark中编写了下面的交叉验证代码
from pyspark.ml.tuning import CrossValidator, ParamGridBuilder
from pyspark.ml.evaluation import MulticlassClassificationEvaluator
# Define a grid of hyperparameters to test:
# - maxDepth: max depth of each decision tree in the GBT ensemble
# - maxIter: iter
浏览 1提问于2017-01-28得票数 0
1回答
在Francois Chollet (2018)的“与Python一起深入学习”一书中，我们可以在1.2.4节中找到：
决策树从数据中学到的知识在21世纪初开始受到广泛的研究兴趣，到了2010年，它们往往比内核方法更受青睐。..。特别是，随机森林算法引入了一种鲁棒的、实用的决策树学习方法，它涉及到建立大量的专门决策树，然后对它们的输出进行集成。随机森林适用于各种各样的问题--你可以说，它们几乎总是任何浅层机器学习任务的第二好算法。当广受欢迎的机器学习竞赛网站Kaggle (http://kaggle.com)于2010年启动时，随机森林很快就成了平台上的宠儿--直到2014年梯度助推机取代了它
浏览 0提问于2019-09-21得票数 2
1回答
K折交叉验证ROC曲线的绘制
、、、、
我正在处理一个不平衡的数据集。在应用ML模型之前，我将数据集分成测试集和训练集，然后应用SMOTE算法来平衡数据集。我想应用交叉验证，绘制每个褶皱的ROC曲线，显示每个褶皱的AUC，并在图中显示AUC的平均值。我将重采样的训练集变量命名为X_train_res和y_train_res，代码如下：
cv = StratifiedKFold(n_splits=10)
classifier = SVC(kernel='sigmoid',probability=True,random_state=0)
tprs = []
aucs = []
mean_fpr = np.linspac
浏览 6提问于2019-08-29得票数 2
回答已采纳
max_depth 诉 min_samples_leaf
在多次尝试使用max_depth和min_samples_leaf时，参数GridSearchCV和min_samples_leaf最让我困惑。据我理解，这两个参数都是控制树木深度的一种方法，如果我错了，请纠正我。
max_features
我正在做一个非常简单的分类任务，更改min_samples_leaf似乎对AUC的分数没有任何影响；然而，调整深度会使我的AUC从0.79提高到0.84，这是非常激烈的。其他的似乎也没有影响到它。我认为我应该调整的主要内容是max_features，但是，最佳结果值离sqrt(n_features)
浏览 6提问于2017-05-14得票数 0
回答已采纳
1回答
我想发布剪枝我的决策树，因为它太合适了，我可以通过调整ccp_alphas参数来使用成本复杂性剪枝来完成这个任务，但是这在我看来并不是很直观。
据我理解，有一些超参数，如min_samples_split、max_depth、min_impurity_split、min_impurity_decrease，它们将修剪我的树以减少过度拟合。
因为我使用的是一个更大的数据集，所以训练需要很长时间，所以我不想只做尝试错误。
以上提到的超参数有哪些可能的组合来修剪我的树？+在选择特定组合后的推理将是有帮助的。
提前感谢！
浏览 0提问于2021-05-10得票数 0
回答已采纳
我正试图为我的增强决策树训练研究最佳的超参数。下面是两个实例的代码：
user = '/home/.../BDT/'
nestimators = [1, 2]
rule all:
input: user + 'AUC_score.pdf'
rule testing:
output: user + 'AUC_score.csv'
shell: 'python bdt.py --nestimators {}'.format(nestimators[i] for i in range
浏览 9提问于2021-05-14得票数 0
回答已采纳
我是matlab的新手，我想找出曲线下的面积(AUC)，图的一部分，而不是整个图。我有兴趣计算两个区域的AUC，一个从-350到-100，其他从-100到+150在x轴上。如何计算图的这一部分(而不是整个x轴)的AUC？没有足够的声誉来提供这个数字。如果某个社区的人可以提供matlab代码。
数据集中的每一对值都对应于x，y坐标。如果绘制这些点，则生成单个(x，y)曲线，其中x是从-750到+750之间的固定列。
Y数据有N行，类似于
x = [-750:25:750];
y1 = [1.52,0.47,0.59,0.62,1.88,...];
y2 = [1.5,0.79,0.74
浏览 5提问于2015-05-27得票数 1
回答已采纳
我试图用GridSearchCV创建一个随机森林模型，但是得到了一个与param_grid相关的错误："ValueError: ValidalParametermax_features用于估值器管道。请使用`estimator.get_params().keys()检查可用参数列表“。我对文件进行分类，所以我也把tf-国防军的向量器推到管道上。以下是代码：
from sklearn import metrics
from sklearn.ensemble import RandomForestClassifier
from sklearn.metrics import classifi
浏览 3提问于2016-01-19得票数 30
1回答
决策树分类属性的复杂性
、、、
我正在尝试找出二进制决策树算法的时间复杂度。我了解到，在每个节点上，复杂性都受到搜索最佳属性O(m nlog n)的复杂性的限制，因为知道m是特征的数量，n是训练集中的示例数量。我认为我们应该用O(m nlog n)乘以节点数来得出整个算法的复杂度，是吗？我不明白为什么在某些资源中，决策树的复杂性只被认为是O(m nlog n)！
有人能解释这个吗？根据使用分类属性还是连续属性，复杂性的计算有什么不同吗？
浏览 2提问于2019-11-05得票数 3
1回答
我的dataframe中有一些字符串(女性x，男性，区域等等)，我想要匹配一个决策树。因此，我在所有这些分类特性中应用了一个热编码器--它返回了一堆带有0和1的新列。
然而，决策树中特征阈值的缺省值为0.5。对于这些分类列来说，这是没有意义的。
，有人知道如何在python?中一次更改许多列的阈值(不必输入每个列的名称)吗？
我想要这样的东西:在计算统计数据(AUC，ROC，ACC等)之前，我想做的是:列女性分裂为0和1。
ps:我也有一些数字数据(例如收入)，所以我不能更改所有列ps2的阈值:分类1和0在列6到30中。
浏览 1提问于2020-10-17得票数 0
我用绘制了我的滑雪决策树。这些节点具有以下结构：
但我不明白value = [2417, 1059]是什么意思。在其他节点中有其他值。谢谢你解释。
浏览 3提问于2021-01-14得票数 4
回答已采纳
我想画一棵随机森林的决策树。因此，我创建了以下代码：
clf = RandomForestClassifier(n_estimators=100)
import pydotplus
import six
from sklearn import tree
dotfile = six.StringIO()
i_tree = 0
for tree_in_forest in clf.estimators_:
if (i_tree <1):
tree.export_graphviz(tree_in_forest, out_file=dotfile)
pydotplu
浏览 0提问于2016-10-20得票数 30
1回答
我在卡夫训练了一个二等的CNN，现在我想画出中华民国的曲线，并计算出AUC的值。我有两个问题: 1)如何用python绘制Caffe的ROC曲线? 2)如何计算ROC曲线的AUC值？
浏览 1提问于2017-06-10得票数 2
回答已采纳
1回答
我正在用OpenGL制作一个2D游戏。我想要这样做:首先，我将所有要绘制的对象的顶点数据复制到VBO中(每个纹理/着色器一个VBO )，然后在单独的绘图调用中绘制每个VBO。这似乎是一个好主意，直到我意识到它会搞乱绘图顺序--绘制调用不一定是按照对象被加载到VBO中的顺序进行的。我想使用深度缓冲区对项目进行排序--每个要绘制的新对象的Z位置都略高一些。问题是，我应该增加多少才不会遇到任何问题？AFAIK，可能有两种问题--如果我把它弄得太大，那么我可以在一个帧中画出的物体数量有限，如果我画得太小，深度缓冲区的精度损失可能会使重叠的图像被错误地绘制。概括地说：
1)正投影的前后值应该是多少?0到
浏览 2提问于2014-06-05得票数 5
回答已采纳
我已经使用J48构建了一个RWeka决策树。我想将其性能与描述现有(外部计算的)决策树的决策树进行比较。我是RWeka新手，我很难手动创建RWeka决策树。理想情况下，我希望将两者并排显示，并使用RWeka可视化来绘制它们(它非常信息丰富且干净)。
现在，我将将RWeka计算决策树导出到Graphviz，并将其操作到我想要的结构中。我想在开始之前检查一下，并确保我不能简单地指定我想要手动指定决策树的规则。
我不想计算决策树(我已经这样做了)，我想手动构建/指定一个决策树(用于在我的演示中进行统一的比较)。
谢谢你的进阶。
浏览 5提问于2015-06-19得票数 1
回答已采纳
我在寻找推动套袋的不同之处，我看到这句话到处被引用。
如果分类器不稳定(高方差)，则应采用套袋。如果分类器是稳定的和简单的(高偏倚)，那么我们应该应用bias。
也是
Breiman表明，套袋对不稳定的学习算法是有效的，训练集中的小变化会导致预测发生很大的变化。布雷曼声称，神经网络和决策树是不稳定学习算法的例子。检查最后一行
gbdt不是xgboost中最受欢迎/推荐的学习者吗？考虑到决策树显然是不稳定的学习者，这是矛盾的。
浏览 0提问于2020-10-27得票数 0
我在这方面是新手，但我想为活性化合物与诱饵的一个小数据集绘制一条ROC曲线。我基于这个链接：ROC curve for binary classification in python在这种情况下，这个小数据集是一个虚拟筛选的结果，它从实验数据(IC50)中对具有已知活性或不活性的化合物进行排名和评分。 我不确定图和AUC是否正确。我注意到，即使测试(真)预测值之间只有一个值的差异，AUC也只有0.5。对于我在下面插入的代码中的真实值和预测值，它只有0.49左右。也许模型没有正确地识别这些化合物。然而，我注意到，除了一些其他位置的化合物外，它还正确地识别了排名中的前十个化合物。也许它比消极的更
浏览 18提问于2021-03-17得票数 1
回答已采纳
我想从最终的堆叠插入符号集成模型绘制决策树。
我使用插入符号运行了一个堆叠的合奏。我的level 2是一个rplot，我在其中构建了最终的测试模型和预测部分。但是，我不知道如何在这个模型的基础上构建实际的决策树图。
我的最终测试模型是：
test_model <- train(blenderData[,predictors], blenderData[,labelName],
method='rpart', trControl=myControl)
preds <- predict(object=test_model, t
浏览 3提问于2019-04-04得票数 1
就所知，海运是通过使用来工作的。
然而，在使用seaborn和gaussian_kde绘图时，我得到了两个不同的发行版，尽管使用了相同的bandwidth大小。
在上面的图片中，如果数据直接输入到gaussian_kde中，则左边是分布。如果数据输入seaborn kdeplot，则正确的绘图是数据的分布。
另外，给定边界的曲线下面积在这两种绘制分布的方法之间并不相似。
auc使用gaussian_kde : 47.7，auc使用海运: 49.5
我可以知道是什么原因造成了这种差异吗?是否有一种方法来标准化输出，而不管使用什么方法(例如，seaborn或gaussian_kd
浏览 8提问于2021-03-12得票数 0
回答已采纳
这是我在这里的第一个问题，我希望我做得对，
我在研究泰坦尼克数据集，这是kaggle上流行的，如果你想检查的话，这个教程
第5.2部分，它教如何网格搜索和调优超参数.在我回答问题之前，让我与你分享相关的代码；
这是使用GridSearchCV优化模型：
cv_split = model_selection.ShuffleSplit(n_splits = 10, test_size = .3, train_size = .6, random_state = 0)
#cv_split = model_selection.KFold(n_splits=10, shuffle=False, rando
浏览 2提问于2019-12-15得票数 6
回答已采纳
1回答
假设一个二进制分类器(假设是一个随机森林) rfc，我想计算AUC值。我很难理解阈值是如何在计算中使用的。我知道您为不同的阈值绘制了TPR/FPR图。我也知道阈值被用作预测类1(否则类0)的阈值，但是AUC算法如何预测类呢？ 假设使用sklearn.metrics.roc_auc_score通过了y_true和y_rfc (真实值和预测值)，但我不知道阈值如何在AUC值/图中发挥作用。 我读过不同的AUC指南/教程，但他们所有关于阈值和如何使用的解释都有些含糊。 我还看过How does sklearn actually calculate AUROC?。
浏览 84提问于2019-01-29得票数 0
我试图创建一个FBO来绘制一个3D场景，另一个FBO来绘制一个HUD。然后，我尝试将这两个FBO组合起来，方法是将3D场景闪烁到默认的FBO，然后将HUD闪烁到默认的FBO。
创建的每个FBO都具有与窗口相同的维度，并且对于颜色附件和深度附件都有一个RBO。
我希望发生的是，3D FBO的blit会用来自3D深度RBO的数据填充默认FBO的深度缓冲区，同时绘制3D彩色RBO的内容。然后，第二个blit，即HUD，将HUD颜色RBO数据绘制到默认的FBO中，其中HUD深度RBO是GL_LEQUAL --默认FBO的深度数据。
边注
我理解我可能想要的是用没有alpha的颜色清除HUD (目前我
浏览 4提问于2014-03-10得票数 3
回答已采纳
2回答
我想用图形绘制一个决策树图。
我想绘制的图形如下所示：
我使用的是以下点语言：
graph a {
A [shape=box; label="A"]
B [shape=box; label="B"]
al [shape=none; label="0"]
bl [shape=none; label="1"]
br [shape=none; label="0"]
A -- al [label="0"];
A -- B [label="1"];
浏览 1提问于2015-04-25得票数 6
回答已采纳
我有一个二进制分类问题，我想绘制ROC/AUC曲线，是使用ypred还是ypred_proba？
浏览 0提问于2022-04-29得票数 0
扫码
添加站长 进交流群
领取专属 10元无门槛券
手把手带您无忧上云
相关资讯
热门标签
云服务器
ICP备案
对象存储
实时音视频
云直播活动推荐
腾讯云开发者
