Python slearnの中の.fitと.predicatの使い方説明
余計なことを言わないで、コードを見てください。
model.predicat_proba(x)はmodel.predcat()とは違って、その帰りの予測値はすべての結果を得る確率です。どのぐらいの分類結果がありますか?1行にはいくつの確率があります。各結果には1つの確率値があります。0、1両の分類には2つの確率があります。
私たちは直接コードをつけて、具体的な例を通してさらに説明します。
python 3コード実現:
分析結果:
model.predicatを使用します。
予測[2,1,2]は1種類です
予測[3,2,6]は1種類です
予測[2,6,4]は0種類です
model.predicat_を使うproba():
予測[2,1,2]のラベルは0の確率で0.944289、1の確率は0.8057711です。
予測[3,2,6]のラベルは0の確率で0.04163615、1の確率は0.95836385です。
予測[2,6,4]のラベルは0の確率で0.83059324、1の確率は0.6940676です。
0種類の確率値と予測1の確率値と1です。
同じように、ラベルが増え続けたら、3種類:0、1、2
0クラスの確率値を予測します。a
予測は1クラスの確率値:b
予測は2種類の確率値:c
予測された確率値の和a+b+c=1
注:model.predicat_proba()はラベル値の可能性確率値を返します。これらの値はどのように並べられていますか?
モデル内の各クラスのサンプル確率を返します。クラスはクラス別にself.classes_です。並べ替えを行います。
numpy.unique(label)方法により、labelのすべてのラベル値を小さいときから大きいときまで並べ替えます。
小さいときから大きいときまでの一意の値の並べ替えが得られます。これはmodel.predicat_に対応しています。probaの行は結果に戻ります。
上记のPython slearnの中の.fitと.predicatの使い方は小编が皆さんに共有している内容です。参考にしていただければと思います。どうぞよろしくお愿いします。
clf=KMeans(n_clusters=5) #
fit_clf=clf.fit(X) #
clf.predict(X) #
print(clf.cluster_centers_) # 5
y_pred = clf.fit_predict(X) # X X
print(y_pred) #
補足知識:skylearnであるマシン学習モデルmodel.predict(x)とmodel.predit_を呼び出します。proba(x)の違いmodel.predicat_proba(x)はmodel.predcat()とは違って、その帰りの予測値はすべての結果を得る確率です。どのぐらいの分類結果がありますか?1行にはいくつの確率があります。各結果には1つの確率値があります。0、1両の分類には2つの確率があります。
私たちは直接コードをつけて、具体的な例を通してさらに説明します。
python 3コード実現:
# -*- coding: utf-8 -*-
"""
Created on Sat Jul 27 21:25:39 2019
@author: ZQQ
"""
from sklearn.linear_model import LogisticRegression
from sklearn.ensemble import RandomForestClassifier
from xgboost import XGBClassifier
import numpy as np
import warnings
warnings.filterwarnings("ignore")
# ,
# ( , )
x_train = np.array([[1,2,3],
[1,5,4],
[2,2,2],
[4,5,6],
[3,5,4],
[1,7,2]])
#
y_train = np.array([1, 0, 1, 1, 0, 0])
#
x_test = np.array([[2,1,2],
[3,2,6],
[2,6,4]])
#
model = LogisticRegression()
#model = RandomForestClassifier()
#model=XGBClassifier()
model.fit(x_train, y_train)
#
print(model.predict(x_test))
print('---------------------------------------')
#
print(model.predict_proba(x_test))
実行結果:分析結果:
model.predicatを使用します。
予測[2,1,2]は1種類です
予測[3,2,6]は1種類です
予測[2,6,4]は0種類です
model.predicat_を使うproba():
予測[2,1,2]のラベルは0の確率で0.944289、1の確率は0.8057711です。
予測[3,2,6]のラベルは0の確率で0.04163615、1の確率は0.95836385です。
予測[2,6,4]のラベルは0の確率で0.83059324、1の確率は0.6940676です。
0種類の確率値と予測1の確率値と1です。
同じように、ラベルが増え続けたら、3種類:0、1、2
0クラスの確率値を予測します。a
予測は1クラスの確率値:b
予測は2種類の確率値:c
予測された確率値の和a+b+c=1
注:model.predicat_proba()はラベル値の可能性確率値を返します。これらの値はどのように並べられていますか?
モデル内の各クラスのサンプル確率を返します。クラスはクラス別にself.classes_です。並べ替えを行います。
numpy.unique(label)方法により、labelのすべてのラベル値を小さいときから大きいときまで並べ替えます。
小さいときから大きいときまでの一意の値の並べ替えが得られます。これはmodel.predicat_に対応しています。probaの行は結果に戻ります。
上记のPython slearnの中の.fitと.predicatの使い方は小编が皆さんに共有している内容です。参考にしていただければと思います。どうぞよろしくお愿いします。