ScikitLearnによるニューラルネットワークのための正確解曲線のプロット

深い学習モデルのための正確なリコール曲線をプロットすることは、モデル自身が決定木、線形回帰のような他のマシン学習アルゴリズムとして明確に表されていないので、トリッキーでありえます.いくつかの検索の後、私は迅速に任意の深い学習モデルの精度リコール曲線を得るために簡単な方法を明らかにすることができた.ビットの正確なリコール曲線について話し合いましょう.
分類タスクのために,クラス値を直接予測することができる.あるいは、各クラスの確率を推定するのがより柔軟かもしれません.この目的は、ユーザが選択された確率を解釈するためのしきい値を選択し、さらに調整することを可能にすることである.
例えば、[ 0.5 , 1.0 ]の確率が正の結果(1)である間、[ 0.0 , 0.49 ]の確率が負の結果(0)であることを意味して、0.5の閾値はデフォルトとして使われるかもしれません.
様々なしきい値で使用している各分類器に対するリコールに対する精度を計算しプロットすることにより,正確なリコール曲線を構築することができる.例えば、我々の選択の分類器がロジスティック回帰であるならば、閾値は予想された確率の正のクラスであるでしょう.ロジスティック回帰において,確率＞0 . 5の正クラスにサンプルが属すると予測される場合,それは正としてラベル付けされる.理想的には、我々の分類器の予想されたふるまいに従い、0と1の間のどんな確率も選ぶことが可能です.正確なリコール曲線は、しかし、閾値の選択がどのように分類器のパフォーマンスに影響を及ぼすかを視覚化するのを助けて、さらに特定の問題のために最高の閾値を選ぶのを援助することができます.
ロジスティック回帰のための正確なリコール曲線をプロットするのは
─
ScikitLearnすべてを簡単に右になりますか?
ほとんどの活性化関数がクラス確率を出力しない代わりに出力クラス予測を直接出力しない場合、ニューラルネットワークの正確なリコール曲線をプロットすることは、より複雑である.SkLearn法で正確なリコール曲線をプロットしよう
─
曲線をプロットしようとするとエラーが発生します
─
解決策は簡単ですが、SkkitLearningでKerasClashfierメソッドを使用してモデルを構築し、推定器としてClassifierオプションを渡す必要があります.これがそのコードです
─
─
次に必要なのは
─
─
私たちの曲線は
─
プラス他のパフォーマンスグラフ興味
─
─
もちろん、あなたは今あなたの深い学習モデルの正確なリコール曲線をプロットする必要はありませんが、必要性が発生するたびに、常に戻ってこの記事を参照することができます😉