数据结构
网络
关系型数据库管理系统
操作系统
Java
MS Excel
iOS
HTML
CSS
Android
Python
C 编程
C++
C#
MongoDB
MySQL
Javascript
PHP
物理学
化学
生物学
数学
英语
经济学
心理学
社会学
服装设计
法律研究如何使用 Estimators 在 TensorFlow 中可视化数据和 ROC 曲线？
泰坦尼克号数据集模型可以通过 'matplotlib' 和 'roc_curve'（位于 'sklearn.metrics' 模块中）方法分别进行可视化，从而了解模型的性能。
阅读更多： 什么是 TensorFlow 以及 Keras 如何与 TensorFlow 协作创建神经网络？
我们将使用 Keras 顺序 API，它有助于构建一个用于处理简单层堆栈的顺序模型，其中每一层都只有一个输入张量和一个输出张量。
包含至少一层卷积层的神经网络被称为卷积神经网络。我们可以使用卷积神经网络构建学习模型。
我们正在使用 Google Colaboratory 来运行以下代码。Google Colab 或 Colaboratory 帮助在浏览器中运行 Python 代码，无需任何配置，并且可以免费访问 GPU（图形处理单元）。Colaboratory 是建立在 Jupyter Notebook 之上的。
Estimator 是 TensorFlow 对完整模型的高级表示。它旨在实现轻松扩展和异步训练。
Estimator 使用特征列来描述模型如何解释原始输入特征。Estimator 期望一个数值输入向量，特征列将有助于描述模型应该如何转换数据集中每个特征。
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,)代码来源 -https://tensorflowcn.cn/tutorials/estimator/linear
输出
The ROC curve, the true positive rate, and the false positive rate are plotted (0.0, 1.05)
解释
- 可视化接收者操作特征 (ROC) 曲线。
- 这提供了关于真阳性率和假阳性率之间权衡的思路。
更新于： 2021 年 2 月 25 日
131 次浏览
广告