Python plot_results_class Beispiele

Beispiel #1

                                                    random_state=0)

# Normalizando as features
X_train = feature_scaling(X_train)
X_test = feature_scaling(X_test)

# Treinando o modelo de Regressão Logistica com o Conjunto de Treinamento
classifier = LogisticRegression(random_state=0)
classifier.fit(X_train, y_train)

# Prevendo os resultados do modelo criado com o conjunto de testes
y_pred = classifier.predict(X_test)

# Criando a matriz de confusão com o conjunto de testes
tn, fp, fn, tp = confusion_matrix(y_test, y_pred).ravel()

# Visualizando a métrica de acurácia através das funções criandas e da bibilioteca sklearn
accuracy(tp, fp, fn, tn)
classifier.score(X_test, y_test)

# Exibindo o f-measure
f_measure(tp, fp, fn)
f1_score(y_test, y_pred)

# Exibindo os resultados do conjunto de treinamento
plot_results_class(X_train, y_train, classifier,
                   'Regressão Logística (Conj. de Treinamento)')

# Exibindo os resultados do conjunto de testes
plot_results_class(X_test, y_test, classifier,
                   'Regressão Logística (Conj. de Testes)')

Beispiel #2

Datei: random_forest.py Projekt: intelligentagents/aprendizagem-supervisionada

# Normalizando as features
X_train = feature_scaling(X_train)
X_test = feature_scaling(X_test)

# Treinando o modelo Random Forest com o Conjunto de Treinamento
classifier = RandomForestClassifier(n_estimators=10,
                                    criterion='entropy',
                                    random_state=0)
classifier.fit(X_train, y_train)

# Prevendo os resultados do modelo criado com o conjunto de testes
y_pred = classifier.predict(X_test)

# Criando a matriz de confusão com o conjunto de testes
tn, fp, fn, tp = confusion_matrix(y_test, y_pred).ravel()

# Visualizando a métrica de acurácia através das funções criandas e da bibilioteca sklearn
accuracy(tp, fp, fn, tn)
classifier.score(X_test, y_test)

# Exibindo o f-measure
f_measure(tp, fp, fn)
f1_score(y_test, y_pred)

# Exibindo os resultados do conjunto de treinamento
plot_results_class(X_train, y_train, classifier,
                   'Random Forest (Conj. de Treinamento)')

# Exibindo os resultados do conjunto de testes
plot_results_class(X_test, y_test, classifier,
                   'Random Forest (Conj. de Testes)')

Beispiel #3

Datei: naive_bayes.py Projekt: intelligentagents/aprendizagem-supervisionada

                                                    test_size=0.2,
                                                    random_state=0)

# Normalizando as features
X_train = feature_scaling(X_train)
X_test = feature_scaling(X_test)

# Treinando o modelo de Naive Bayes com o Conjunto de Treinamento
classifier = GaussianNB()
classifier.fit(X_train, y_train)

# Prevendo os resultados do modelo criado com o conjunto de testes
y_pred = classifier.predict(X_test)

# Criando a matriz de confusão com o conjunto de testes
tn, fp, fn, tp = confusion_matrix(y_test, y_pred).ravel()

# Visualizando a métrica de acurácia através das funções criandas e da bibilioteca sklearn
accuracy(tp, fp, fn, tn)
classifier.score(X_test, y_test)

# Exibindo o f-measure
f_measure(tp, fp, fn)
f1_score(y_test, y_pred)

# Exibindo os resultados do conjunto de treinamento
plot_results_class(X_train, y_train, classifier,
                   'Naive Bayes (Conj. de Treinamento)')

# Exibindo os resultados do conjunto de testes
plot_results_class(X_test, y_test, classifier, 'Naive Bayes (Conj. de Testes)')

Beispiel #4

                                                    random_state=0)

# Normalizando as features
X_train = feature_scaling(X_train)
X_test = feature_scaling(X_test)

# Treinando o modelo de Árvore de Decisão com o Conjunto de Treinamento
classifier = DecisionTreeClassifier(criterion='entropy', random_state=0)
classifier.fit(X_train, y_train)

# Prevendo os resultados do modelo criado com o conjunto de testes
y_pred = classifier.predict(X_test)

# Criando a matriz de confusão com o conjunto de testes
tn, fp, fn, tp = confusion_matrix(y_test, y_pred).ravel()

# Visualizando a métrica de acurácia através das funções criandas e da bibilioteca sklearn
accuracy(tp, fp, fn, tn)
classifier.score(X_test, y_test)

# Exibindo o f-measure
f_measure(tp, fp, fn)
f1_score(y_test, y_pred)

# Exibindo os resultados do conjunto de treinamento
plot_results_class(X_train, y_train, classifier,
                   'Arvore de Decisão (Conj. de Treinamento)')

# Exibindo os resultados do conjunto de testes
plot_results_class(X_test, y_test, classifier,
                   'Arvore de Decisão (Conj. de Testes)')