企业网站关键词优化,环保网站设计是什么,南宁网站seo顾问,网站开发基础知识#x1f3af;要点
优化损失函数评估指标海岸线检测算法评估遥感视觉表征和文本增强乳腺癌预测模型算法液体中闪烁光和切伦科夫光分离多标签分类任务性能评估有向无环图、多路径标记和非强制叶节点预测二元分类评估特征归因可信性评估马修斯相关系数对比其他准确度
Python桑…要点
优化损失函数评估指标海岸线检测算法评估遥感视觉表征和文本增强乳腺癌预测模型算法液体中闪烁光和切伦科夫光分离多标签分类任务性能评估有向无环图、多路径标记和非强制叶节点预测二元分类评估特征归因可信性评估马修斯相关系数对比其他准确度
Python桑基图混淆矩阵
桑基图是一种数据可视化技术或流程图强调从一种状态到另一种状态或从一个时间到另一个时间的流动/移动/变化其中箭头的宽度与所描绘的广泛属性的流速成正比。桑基图还可以可视化能源账户、区域或国家层面的物质流账户以及成本细目。该图表通常用于物质流分析的可视化。桑基图强调系统内的主要转移或流动。它们有助于确定流动中最重要的贡献。它们通常显示定义的系统边界内的守恒量。
Python桑基图和混淆矩阵
import pandas as pd
import numpy as np
from plotly import graph_objects as goRED rgba(245,173,168,0.6)
GREEN rgba(211,255,216,0.6)def create_df_from_confusion_matrix(confusion_matrix, class_labelsNone):if not len(class_labels):df pd.DataFrame(dataconfusion_matrix, index[fTrue Class-{i1} for i in range(confusion_matrix.shape[0])],columns[fPredicted Class-{i1} for i in range(confusion_matrix.shape[0])])else:df pd.DataFrame(dataconfusion_matrix, index[fTrue {i} for i in class_labels],columns[fPredicted {i} for i in class_labels])df df.stack().reset_index()df.rename(columns{0:instances, level_0:actual, level_1:predicted}, inplaceTrue)df[colour] df.apply(lambda x: GREEN if x.actual.split()[1:] x.predicted.split()[1:] else RED, axis1)node_labels pd.concat([df.actual, df.predicted]).unique()node_labels_indices {label:index for index, label in enumerate(node_labels)}df df.assign(actual df.actual.apply(lambda x: node_labels_indices[x]),predicted df.predicted.apply(lambda x: node_labels_indices[x]))def get_link_text(row):if row[colour] GREEN:instance_count row[instances]source_class .join(node_labels[row[actual]].split()[1:])target_class .join(node_labels[row[predicted]].split()[1:])return f{instance_count} {source_class} instances correctly classified as {target_class}else:instance_count row[instances]source_class .join(node_labels[row[actual]].split()[1:])target_class .join(node_labels[row[predicted]].split()[1:])return f{instance_count} {source_class} instances incorrectly classified as {target_class}df[link_text] df.apply(get_link_text, axis 1)return df, node_labels根据混淆矩阵和类别标签绘制桑基图
def plot_confusion_matrix_as_sankey(confusion_matrix, class_labels None):df, labels create_df_from_confusion_matrix(confusion_matrix, class_labels)fig go.Figure(data[go.Sankey(node dict(pad 20,thickness 20,line dict(color gray, width 1.0),label labels,hovertemplate %{label} has total %{value:d} instancesextra/extra),link dict(source df.actual, target df.predicted,value df.instances,color df.colour,customdata df[link_text], hovertemplate %{customdata}extra/extra ))])fig.update_layout(title_textConfusion Matrix Sankey Diagram, font_size15,width500, height400)return figconfusion_matrix np.array([[10, 4],[2, 20]])plot_confusion_matrix_as_sankey(confusion_matrix, [Fraud, Legit])更新亚图跨际
