一般的に使用される機能のためのフレームワーク

1、混同行列

インポートitertoolsは
 DEF （CM、クラス、plot_condusion_matrix 
                          タイトル = ' 混同マトリックス' 、
                          CMAP = ：plt.cm.Blues）
    plt.imshow（CM、補間 = ' 最も近い'、CMAP = CMAP）
    plt.title（タイトル）
    plt.colorbarを（）
    tick_marks = np.arange（LEN（クラス））
    plt.xticks（tick_marks、クラス、回転 = 0）
    plt.yticks（tick_marks、クラス）

    脱穀 = cm.max（）/ 2 。
    以下のための I、Jで itertools.product（範囲（cm.shape [0]）、範囲（cm.shape [1 ]））：
        plt.text（J、I、CM [I、J]、
                 たHorizontalAlignment = " センター" 、
                 カラー = " 白"  もしセンチ[I、J]>脱穀他に " 黒」）

    plt.tight_layout（）
    plt.ylabel（' 真のラベル' ）
    plt.xlabel（' 予測ラベル'）

2、ビジュアルツリー

デフdec_tree（モデル、FEATURE_NAMEに、tagret_names）
     インポートのos 
    はos.environ [ " PATH " ]は+ = os.pathsep + ' C：/プログラムファイル（x86の）/Graphviz2.38/bin/ ' 
    dot_data = \ 
        tree.export_graphviz（
            モデル、＃模型 
            out_fileパラ= なし、
            class_names = target_names、
            FEATURE_NAMEに = FEATURE_NAMEに、   ＃特征名字 
            満たさ= Trueの場合、
            不純物 = Falseの、
            丸みを帯びた = 真 
        ）
    
    インポートpydotplusの
    グラフ = pydotplus.graph_from_dot_data（dot_data）
    ＃1 graph.get_nodes（）[ 7] .set_fillcolor（' ＃1 FFF2DD ' ）
     から IPython.display インポートイメージ
    画像（graph.create_png（））
    graph.write_jpg（' graph_jpg '）   ＃写入IPG文件

図3に示すように、各ランダムサンプルを返す関数の定義は機能とラベルをBATCH_SIZEモデルトレーニング、およびデータサンプルの少量のデータセットを読み続けた必要性、

DEF data_iter（BATCH_SIZE、フィーチャー、ラベル）：
    num_example = LEN（特集）
    指数 = リスト（範囲（num_example））
    random.shuffle（インデックス）＃を読んで、サンプルがランダムであることを確認
    するために私に範囲（0、num_example、BATCH_SIZE ）：
        J = nd.array（インデックス[I：分（I + BATCH_SIZE、num_example）]）＃1 分関数を増加させる効果がある：データの最後の部分は、長さBATCH_SIZE時間より小さい場合には、全体のデータがエラーを防止するために、直接戻すことができます
        収量 feature.take（J）、labels.take（J）   ＃1 テイク機能は、インデックスに対応する要素を返します

一般的に使用される機能のためのフレームワーク

おすすめ