我写下了一个简单的代码,它采用一个参数“query_seq”,进一步的方法计算描述符,最后可以使用“LogisticRegression”(或该函数提供的任何其他算法)算法作为“0(给定情况为负)进行预测)”或“1(给定情况为正)”
def main_process(query_Seq):
LR = LogisticRegression()
GNB = GaussianNB()
KNB = KNeighborsClassifier()
DT = DecisionTreeClassifier()
SV = SVC(probability=True)
train_x, train_y,train_l = data_gen(p)
a = DC_CLASS()
test_x = a.main_p(query_Seq)
return Prediction(train_x, train_y, test_x,LR)
当我们进行交叉验证时,我们计算了算法的准确性估计(特异性、灵敏度、mmc 等)的不同统计参数。现在我的问题是,scikit-learn 中是否有任何方法可以用来估计测试数据预测的置信度分数。
许多分类器可以通过调用predict_proba
而不是predict
方法。阅读此方法的文档字符串以了解它返回的 numpy 数组的内容。
但请注意,分类器在估计自己的置信水平时也可能会犯错误。要解决此问题,您可以使用外部校准程序通过保留的数据(使用交叉验证循环)来校准分类器。该文档将为您提供有关校准的更多详细信息:
http://scikit-learn.org/stable/modules/calibration.html
最后请注意LogisticRegression
默认情况下给出相当好的校准置信水平。大多数其他模型类别都受益于外部校准。
本文内容由网友自发贡献,版权归原作者所有,本站不承担相应法律责任。如您发现有涉嫌抄袭侵权的内容,请联系:hwhale#tublm.com(使用前将#替换为@)