python の matplotlib でグラフを描くのは非常に簡単です。とくに、グラフが 1 つだけの場合は import matplotlib.pyplot as plt import numpy as np x = np.linspace(-3, 3, 20) y = x ** 2 plt.plot(x, y) plt.show()
python の matplotlib でグラフを描くのは非常に簡単です。とくに、グラフが 1 つだけの場合は import matplotlib.pyplot as plt import numpy as np x = np.linspace(-3, 3, 20) y = x ** 2 plt.plot(x, y) plt.show()
はじめに こちらの記事の内容を1枚絵にまとめたものになります。以下、文章で少しだけ補足します。 正解率系の各種指標について (参考)こちらの記事より引用させて頂きました。 クラス分類モデルの性能評価には様々な評価指標が存在しますが、上記の各種指標の計算で諸々算出されます。 用語を覚える際に混乱してしまいがちですが、以下の関係性さえ理解しておけば丸暗記しなくても思い出せます。 前一文字:正解か不正解かを示す -> T or F 後一文字:モデルからの予測分類を示す -> P or N 偽陽性は、FP(間違って陽性判定した数) / FP + TN(陰性全体の母数) 真陽性は、TP(正しく陽性判定した数) / TP + FN(陽性全体の母数) テキストでROC曲線とAUCをまとめる ①ROC曲線ってなんだ? クラス分類するためのスコア閾値を外部の変数として変化させ、偽陽性率を横軸に、真陽性率を縦
環境構築するだけしてnumpyすらまともに扱えないのは恥ずかしいので、はじパタのRによる実行例をPythonに移植しながらPythonの科学計算ライブラリに慣れつつ、機械学習にも慣れようという魂胆。 とりあえず第4章から。 irisのデータを用意 scikit-learnには様々な学習データが用意されていて、お決まりのようにその中にアヤメの学習データも含まれている。 from sklearn import datasets iris = datasets.load_iris() print iris.data iris.dataが学習データの本体。 iris.feature_namesがそれぞれの列のラベル。 In [28]: iris.feature_names Out[28]: ['sepal length (cm)', 'sepal width (cm)', 'petal lengt
リリース、障害情報などのサービスのお知らせ
最新の人気エントリーの配信
処理を実行中です
j次のブックマーク
k前のブックマーク
lあとで読む
eコメント一覧を開く
oページを開く