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