資料結構
網路
關係型資料庫管理系統
作業系統
Java
MS Excel
iOS
HTML
CSS
Android
Python
C 程式設計
C++
C#
MongoDB
MySQL
Javascript
PHP
物理學
化學
生物學
數學
英語
經濟學
心理學
社會學
服裝設計
法律研究如何使用 Estimators 在 TensorFlow 中視覺化資料和 ROC 曲線？
泰坦尼克號資料集模型可以透過 'matplotlib' 和 'roc_curve'（位於 'sklearn.metrics' 模組中）方法分別進行視覺化，從而瞭解模型的效能。
閱讀更多： 什麼是 TensorFlow 以及 Keras 如何與 TensorFlow 協作建立神經網路？
我們將使用 Keras 順序 API，它有助於構建一個用於處理簡單層堆疊的順序模型，其中每一層都只有一個輸入張量和一個輸出張量。
包含至少一層卷積層的神經網路被稱為卷積神經網路。我們可以使用卷積神經網路構建學習模型。
我們正在使用 Google Colaboratory 來執行以下程式碼。Google Colab 或 Colaboratory 幫助在瀏覽器中執行 Python 程式碼，無需任何配置，並且可以免費訪問 GPU（圖形處理單元）。Colaboratory 是建立在 Jupyter Notebook 之上的。
Estimator 是 TensorFlow 對完整模型的高階表示。它旨在實現輕鬆擴充套件和非同步訓練。
Estimator 使用特徵列來描述模型如何解釋原始輸入特徵。Estimator 期望一個數值輸入向量，特徵列將有助於描述模型應該如何轉換資料集中每個特徵。
示例
from sklearn.metrics import roc_curve
from matplotlib import pyplot as plt
print("The ROC curve, the true positive rate, and the false positive rate are plotted")
fpr, tpr, _ = roc_curve(y_eval, probs)
plt.plot(fpr, tpr)
plt.title('ROC curve')
plt.xlabel('false positive rate')
plt.ylabel('true positive rate')
plt.xlim(0,)
plt.ylim(0,)程式碼來源 -https://www.tensorflow.org/tutorials/estimator/linear
輸出
The ROC curve, the true positive rate, and the false positive rate are plotted (0.0, 1.05)
解釋
- 視覺化接收者操作特徵 (ROC) 曲線。
- 這提供了關於真陽性率和假陽性率之間權衡的思路。
更新於： 2021 年 2 月 25 日
131 次瀏覽
廣告