标签：from 拆分 nbsp gic 最好 not test ica span
1. k_fold = KFold(n_split, shuffle) 构造KFold的索引切割器
k_fold.split(indices) 对索引进行切割。
参数说明：n_split表示切割的份数，假设切割的份数为10，那么有9份是训练集有1份是测试集，shuffle是否进行清洗，indices表示需要进行切割的索引值
import numpy as np from sklearn.model_selection import KFold indices = np.arange(20) k_fold = KFold(n_splits=10, shuffle=False) train_test_set = k_fold.split(indices) for (train_set, test_set) in train_test_set: print(train_set) print(test_set)
2.np.logical_and(pred_issame, test_issame) # 如果pred_issame中的元素和test_issame都是True, 返回的也是True，否者返回的是False
参数说明：pred_issame输入的bool数组，test_issame输入的bool数组
import numpy as np pred_issame = np.array([True, True, False, False]) actual_issame = np.array([False, True, False, False]) print(np.logical_and(pred_issame, actual_issame))
# [False True False False]
3. np.logical_not(pred_issame) # 将输入的True转换为False，False转换为Train
参数说明: pred_issame 表示输入的bool数组
import numpy as np pred_issame = np.array([True, True, False, False]) print(np.logical_not(pred_issame)) # [False False True True]
第一步：构造indices的索引值，使用KFold对incides进行train_set和test_set的生成
第二步: 使用np.arange(0, 4, 0.4) 构造threshold的列表，循环threshold列表
第三步:
第一步: 使用np.less(dist, threshold) 来获得预测结果
第二步:
tp = np.logical_and(pred_issame, actual_issame) # 正样本被判定为正样本
fp = np.logical_and(pre_issame, np.logical_not(actual_issame)) # 负样本被判断为正样本
tn = np.logical_and(np.logical_not(pre_issame), np.logical_not(actual_issame)) # 负样本判断为负样本
fn = np.logical_and(np.logical_not(pre_issame), actual_issame) # 正样本被判断为负样本
tpr = 0 if tp + fn == 0 else float(tp) / float(tp + fn) # 召回率
fpr = 0 if fp + tn == 0 else float(tn) / float(fp + tn)
accur = (tp + tn) / (tp+fp+fn+tn)
第四步：使用threshold_max = np.argmax(accur) # 获得准确率最大的索引值，即为thresholds最好的索引值
标签：from 拆分 nbsp gic 最好 not test ica span
原文地址：https://www.cnblogs.com/my-love-is-python/p/11352566.html
