در این مطلب، ویدئو ترسیم منحنی ROC با استفاده از پایتون | مجموعه داده دیگر | فراگیری ماشین با زیرنویس فارسی را برای دانلود قرار داده ام. شما میتوانید با پرداخت 15 هزار تومان ، این ویدیو به علاوه تمامی فیلم های سایت را دانلود کنید.اکثر فیلم های سایت به زبان انگلیسی می باشند. این ویدئو دارای زیرنویس فارسی ترجمه شده توسط هوش مصنوعی می باشد که میتوانید نمونه ای از آن را در قسمت پایانی این مطلب مشاهده کنید.
مدت زمان فیلم: 00:03:16
تصاویر این ویدئو:
قسمتی از زیرنویس این فیلم:
00:00:00,319 –> 00:00:02,159
خوب، بنابراین در ویدیوی قبلی من در
2
00:00:02,159 –> 00:00:05,069
مورد منحنی ROC توضیح می دادم و
3
00:00:05,069 –> 00:00:07,170
در سمت چپ آن
4
00:00:07,170 –> 00:00:10,050
منحنی ROC را ترسیم می کردم و همچنین
5
00:00:10,050 –> 00:00:11,759
نمونه ای را می دیدیم که در آن می توانستیم
6
00:00:11,759 –> 00:00:14,820
یک مجموعه داده تصادفی از 1000
7
00:00:14,820 –> 00:00:17,250
ردیف و با آن تولید کنیم. فقط دو لیوان، بنابراین اگر همین
8
00:00:17,250 –> 00:00:19,260
الان به این داده ها نگاهی بیندازیم، اگر
9
00:00:19,260 –> 00:00:21,180
این دوره را می بینید، من فقط می روم
10
00:00:21,180 –> 00:00:23,220
و داده های ورودی را چاپ می کنم، بیایید
11
00:00:23,220 –> 00:00:24,210
به این داده ها نگاهی بیندازیم، می بینید
12
00:00:24,210 –> 00:00:25,890
که یک مجموعه داده بزرگ در حال بیرون آمدن است. و
13
00:00:25,890 –> 00:00:28,470
همچنین میتوانید خروجی آن را ببینید که من
14
00:00:28,470 –> 00:00:29,820
گفتم که این فقط یک و صفر است،
15
00:00:29,820 –> 00:00:31,710
او هزار و یک و صفر است،
16
00:00:31,710 –> 00:00:34,170
اما آنچه که من اکنون انجام میدهم این است که
17
00:00:34,170 –> 00:00:37,050
در واقع
18
00:00:37,050 –> 00:00:39,690
منحنی ROC را برای آن ترسیم میکنم. این داده ها به درستی تنظیم می شوند، بنابراین
19
00:00:39,690 –> 00:00:42,149
ما این منحنی ROC خود را برای مدل اصلی
20
00:00:42,149 –> 00:00:44,430
داریم که داده های خود را به درستی آموزش داده ایم،
21
00:00:44,430 –> 00:00:47,610
بنابراین بدیهی است که در حال حاضر
22
00:00:47,610 –> 00:00:49,500
فقط به منحنی ROC نگاه می کنیم اگر می خواهیم
23
00:00:49,500 –> 00:00:51,930
ببینیم چه تغییراتی می تواند در آن
24
00:00:51,930 –> 00:00:53,760
ایجاد کند. منحنی ROC اگر
25
00:00:53,760 –> 00:00:55,920
مجموعه داده ای مانند این داشته باشیم، پس این فقط یک کاست ساخت است
26
00:00:55,920 –> 00:00:57,780
تابع omization فقط بخشی از
27
00:00:57,780 –> 00:01:01,440
کلاس مجموعه داده کتابخانه های چرخه یادگیری است، بنابراین
28
00:01:01,440 –> 00:01:02,870
کاری که می توانید انجام دهید این است که می توانید یک
29
00:01:02,870 –> 00:01:06,420
مجموعه داده تصادفی با چند کلاس یا
30
00:01:06,420 –> 00:01:08,610
به سادگی یک کلاس باینری ایجاد کنید، به طوری که
31
00:01:08,610 –> 00:01:10,470
بستگی به نوع داده ای که می خواهید
32
00:01:10,470 –> 00:01:11,939
در حال حاضر تولید کنید دارد. از این ژنراتور
33
00:01:11,939 –> 00:01:13,680
که من فقط می توانم جلو بروم و سریع
34
00:01:13,680 –> 00:01:15,780
این فقط منحنی ROC من است، اما کاری که اکنون
35
00:01:15,780 –> 00:01:17,729
باید انجام دهیم این است که فقط باید
36
00:01:17,729 –> 00:01:20,369
جلو برویم و اول از همه من فقط یک حکم هستم
37
00:01:20,369 –> 00:01:21,720
و شما مدل کنید آنها همه مدل های مدل را بفروشند
38
00:01:21,720 –> 00:01:27,540
و این فصل برابر است با
39
00:01:27,540 –> 00:01:30,000
طبقه بندی دوم درست است و ما از ام کارت و گاتهام استفاده می کردیم،
40
00:01:30,000 –> 00:01:31,890
بنابراین من پیش می روم
41
00:01:31,890 –> 00:01:37,470
و معیارها را مشخص می کنم و وقتی این
42
00:01:37,470 –> 00:01:38,820
کار را انجام دادید می توانید ببینید