转载
2024-04-24 14:59:56
131阅读
ROC曲线与AUCROC曲线下方的面积是AUC，AUC表示对于随机选择的正类别样本确实为正类别，以及随机选择的负类别样本为正类别，分类器更确信前者的概率。 分类问题的模型评估理论参考： Python机器学习库sklearn分类问题的模型评估API参考： import numpy as np
import matplotlib.pyplot as plt
from itertools impo
转载
2024-04-16 20:50:51
398阅读
1.混淆矩阵（一级指标）以分类模型中最简单的二分类为例，对于这种问题，我们的模型最终需要判断样本的结果是0还是1，或者说是positive还是negative。我们通过样本的采集，能够直接知道真实情况下，哪些数据结果是positive，哪些结果是negative。同时，我们通过用样本数据跑出分类型模型的结果，也可以知道模型认为这些数据哪些是positive，哪些是negative。因此，我们就能得
转载
2024-02-04 01:25:45
381阅读
# Python KS曲线绘制的科普指南
在统计学中，KS曲线（Kolmogorov-Smirnov曲线）是一种用于比较两个样本分布的工具，常常用于检验某个样本是否服从特定的分布。在机器学习、金融风险管理等领域，KS曲线是评价模型效果的重要指标之一。本文将为大家介绍如何使用Python绘制KS曲线，并通过代码示例来加深对该方法的理解。
## KS曲线的基础
KS曲线的核心是计算两个累积分布函
原创
2024-08-09 12:29:49
153阅读
# Python中的AUC和KS曲线
在机器学习中，AUC和KS曲线是用来评估模型性能的重要指标。AUC（Area Under Curve）是ROC曲线下的面积，用来衡量二分类模型的分类准确性；而KS（Kolmogorov-Smirnov）曲线则是评估模型的区分能力。
## AUC曲线
AUC曲线是ROC曲线下的面积，即ROC曲线与横轴之间的面积。AUC的取值范围在0到1之间，数值越接近1表
原创
2024-06-14 04:12:43
156阅读
简介KS曲线是用来衡量分类型模型准确度的工具。KS曲线与ROC曲线非常的类似。其指标的计算方法与混淆矩阵、ROC基本一致。它只是用另一种方式呈现分类模型的准确性。KS值是KS图中两条线之间最大的距离，其能反映出分类器的划分能力。一句话概括版本：KS曲线是两条线，其横轴是阈值，纵轴是TPR与FPR。两条曲线之间之间相距最远的地方对应的阈值，就是最能划分模型的阈值。KS值是MAX(TPR - FPR）
转载
2023-10-31 14:56:48
101阅读
python 画函数曲线示例如下所示：import numpy as np
import matplotlib.pyplot as plt
x = np.linspace(0, 2 * np.pi, 100)
y1, y2 = np.sin(x), np.cos(x)
plt.plot(x, y1)
plt.plot(x, y2)
plt.title('line chart')
plt.xlabe
转载
2023-07-06 22:21:37
176阅读
# 机器学习中的KS曲线及其Python实现
在机器学习和统计学中，KS曲线（Kolmogorov-Smirnov Curve）是一种用于评估模型性能的工具，特别是在分类问题中。它帮助我们理解模型对不同类别的区分能力，这对于金融、医疗等领域尤为重要。本文将介绍KS曲线的概念和如何在Python中实现它。
## 什么是KS曲线？
KS曲线反映了两个分布之间的差异，常用于评估二分类模型。曲线的纵
原创
2024-10-12 06:57:02
303阅读
# Python KS曲线图
KS曲线是一种用于评估分类模型性能的曲线，它可以帮助我们确定分类模型在不同阈值下的表现如何。在Python中，我们可以使用一些库来绘制KS曲线。本文将介绍如何使用Python绘制KS曲线，并解释KS曲线的含义及其在评估分类模型中的重要性。
## 什么是KS曲线？
KS曲线是一种用于评估二分类模型的性能的曲线，它展示了在不同阈值下模型的真正阳性率（True Pos
原创
2024-03-07 06:23:28
220阅读
Ｋ线图分析法简介
Ｋ线图这种图表源处于日本，被当时日本米市的商人用来记录米市的行情与价格波动，后因其细腻独到的标画方式而被引入到股市及期货市场。目前，这种图表分析法在我国以至整个东南亚地区均尤为流行。由于用这种方法绘制出来的图表形状颇似一根根蜡烛，加上这些蜡烛有黑白之分，因而也叫阴阳线图表。通过Ｋ线图，我们能够把每日或某一周期的市况表现完全记录下来， 股价经过一段时间的盘档后，在图上即形成
转载
2024-07-30 13:40:12
19阅读
python实现KS曲线，相关使用方法请参考上篇博客-R语言实现KS曲线代码如下： ####################### PlotKS ##########################
def PlotKS(preds, labels, n, asc):
# preds is score: asc=1
# preds is prob: asc=0
转载
2023-06-15 19:55:33
293阅读
假设我们开始import numpy as npfrom sklearn import metrics现在我们设置真实的y和预测分数：y = np.array([0, 0, 1, 1])scores = np.array([0.1, 0.4, 0.35, 0.8])(注意,y已经从你的问题向下移了1.这是无关紧要的：无论是预测1,2或0,1都可以获得完全相同的结果(fpr,tpr,阈值等),但是一
转载
2023-08-25 02:22:47
135阅读
1.背景介绍随着数据量的增加，机器学习和深度学习技术已经成为了处理大规模数据的关键技术。预测模型在实际应用中具有重要的地位，但是预测模型的性能是否优化，对于实际应用的效果具有重要的影响。在这篇文章中，我们将讨论如何通过ROC曲线来优化预测模型。ROC(Receiver Operating Characteristic)曲线是一种用于评估二分类分类器的图形表示，它可以帮助我们了解模型在不同阈值下的性
本文代码及数据集来自《Python大数据分析与机器学习商业案例实战》对于二分类模型来说，主流的评估方法有ROC曲线和KS曲线两种。一、ROC曲线如果把假警报率理解为代价的话，那么命中率就是收益，所以也可以说在阈值相同的情况下，希望假警报率（代价）尽可能小，命中率（收益）尽可能高，该思想反映在图形上就是ROC曲线尽可能地陡峭。曲线越靠近左上角，说明在相同的阈值条件下，命中率越高，假警报率越低，模型越
转载
2024-02-04 21:47:02
168阅读
人生苦短，我用 Python前文传送门：小白学 Python 数据分析(1)：数据分析基础小白学 Python 数据分析(2)：Pandas (一)概述小白学 Python 数据分析(3)：Pandas (二)数据结构 Series小白学 Python 数据分析(4)：Pandas (三)数据结构 DataFrame小白学 Python 数据分析(5)：Pandas (四)基础操作(1)查看数据小
1.重要参数kernel 对于这三个参数的取值问题，直接上网格搜索或学习曲线，因为当gamma的符号变化，或者 degree的大小变化时，核函数本身甚至都不是永远单调的。不同核函数在不同数据集上的表现from sklearn.model_selection import train_test_split
from sklearn.datasets import load_breast_cancer
并发上传基于py自带模块concurrent.futures import ThreadPoolExecutor#!/usr/bin/env python3
# -*- coding:utf-8 -*-
# @Time: 2020/11/22 10:13
# @Author:zhangmingda
# @File: ks3_multi_thread_for_concurrent.future
转载
2023-12-28 11:31:51
42阅读
# Python 中 KS 值计算的科普
在统计学和机器学习中，KS值（Kolmogorov-Smirnov Statistic）是一种常用的比较工具，可以用来衡量两个样本分布之间的差异。KS值通常用于评估预测模型的性能，尤其是在分类问题中。本文将介绍如何在 Python 中计算 KS 值，并提供示例代码以及数据可视化。
## 什么是 KS 值？
KS 值是基于两个累积分布函数（CDF）之间
Kolmogorov-Smirnov是比较一个频率分布f(x)与理论分布g(x)或者两个观测值分布的检验方法。其原假设H0:两个数据分布一致或者数据符合理论分布。D=max| f(x)- g(x)|，当实际观测值D>D(n,α)则拒绝H0，否则则接受H0假设。
KS检验与t-检验之类的其他方法不同是KS检验不需要知道数据的分布情况，可以算是一种非参数检验方法。当然这样方便的代价就是当检验的数
转载
2023-09-14 14:51:25
193阅读
已经有10年的历史了，在国外十分盛行。Google搜索引擎的脚本，现在流行的BT(BiteTorrnet)，还有著名的应用服务器Zope都是用Python编写的。但在国内的使用还不是很多。她十分有自己的特色。语法简洁，但功能强大，可以跨平台使用，在Linux、Windows和Mac上都有很好支持。她的设计很出色。这里有两个Python的使用例子，都是对磁盘文件的操作，以次来看看Python的特色。
