Я довольно новичок в машине. Любая помощь будет оценена по достоинству.Кривая ROC кривой, использующая scikit-learn для распознавания лиц с использованием наборов данных изображений, вызывает ошибку. (Fetch_olivetti_faces)
Я хочу построить график, чтобы показать точность и частоту ошибок алгоритмов (LDA, SVM). И сравнить, какой алгоритм лучше среди обоих. Точность, возвращаемая запуском программы python в терминале, не считается хорошим доказательством.
Построенные графики с использованием матрицы путаницы, чтобы показать точность и частоту ошибок.
Я считаю, что график графика с использованием ROC предназначен для двоичного классификатора(), и его можно также использовать для набора данных изображения с использованием алгоритмов LDA и SVM.
Я построил график cross_val_predict, чтобы визуализировать ошибки прогнозирования.
Есть ли какое-либо графическое представление, которое может сделать лучше, чем вышеупомянутое или я пропустил.
GThanks для кода. Во время выполнения кода у меня возникла ошибка. Я думаю, что ошибка связана с тем, что тип данных изображения не является бинарным его массивом numpy. В настоящее время я работаю над преобразованием данных изображения в двоичный файл с помощью label_binarize. Ошибка - строка 314 в _binary_clf_curve Повысить ValueError («Данные не являются двоичными и pos_label не указан») ValueError: данные не являются бинарными, а pos_label не указан ajay @ ubuntu: ~/face_recog_LDA/ROC_Curve/roc $ – aja
можно ли рисовать кривую ROC для набора данных изображения, которая имеет 40 предметов и 10 изображений для каждого объекта? Кривая ROC используется только для двоичных проблем? – aja
@AJAY JOY Да, в основном он используется для двоичного классификатора, но его можно расширить до задач с несколькими классами. Посмотрите http://scikit-learn.org/stable/auto_examples/model_selection/plot_roc.html –