KFoldトレーニングを使用して、検証精度を使用して、スプリットを設定し、速度を呼び出す適切な閾値（閾値）1.KFold（クロスバリデーション）2.np.logical_andを選択する（nは2つのアレイはブールnはである）3 .np.logical_not（BOOLアレイが正である抗抗すなわち、正用）

--- ---復元コンテンツ始まります

1. k_fold = KFold（n_split、シャッフル）インデックスカッターに構成KFold

インデックスのk_fold.split（インデックス）が切断されます。

パラメータ：、切断部分を表す10が想定されるカット部分は、9部1があるシャッフル洗浄、インデックスを切断する必要がインデックス値を表す場合、トレーニングセットの一部は、一連のテストであるn_split

インポートNPとしてnumpyの
 から sklearn.model_selectionのインポートKFold 

指数 = np.arange（20 ）
k_fold = KFold（n_splits = 10、シャッフル= 偽）
train_test_set = k_fold.split（指標）
 のために（train_set、test_set）において：train_test_set
     プリント（train_set ）
     プリント（test_set）

2.np.logical_and（pred_issame、test_issame）＃pred_issame要素とtest_issameがTrueであれば、リターンが真である、ないものを返された人はFalseです

BOOL BOOLアレイpred_issame入力アレイ、test_issame入力パラメータ説明

インポートNPとしてnumpyの
pred_issame = np.array（[、TRUE TRUE、FALSE、FALSE]）
actual_issame = np.array（[、FALSE TRUE、FALSE、FALSE]）
 プリント（np.logical_and（pred_issame、actual_issame））
＃[FALSE真偽偽]

3. np.logical_not（pred_issame）＃真の入力が電車に変換Falseに、Falseで変換します

パラメータ：pred_issame入力配列は、ブール値を表し、

インポートのNPとしてnumpyの
pred_issame = np.array（[真、TRUE、FALSE FALSE]）
 プリント（np.logical_not（pred_issame））
＃[FALSE FALSE TRUE TRUE]

ステップ：インデックス構造のインデックス、train_setのが入射を生成するためKFoldの使用とtest_set

ステップ2：リスト構造の使用np.arange（0、4、0.4）閾値、リスト閾値サイクル

第三段階：

最初のステップ：使用np.less（DIST、しきい値）予測された結果を達成するために

ステップ2：

TP = np.logical_and（pred_issame、actual_issame）＃陽性試料を陽性試料として決定されます

FP = np.logical_and（pre_issame、np.logical_not（actual_issame））＃サンプル陰性は陽性サンプルとして決定されます

TN = np.logical_and（np.logical_not（pre_issame）、np.logical_not（actual_issame））＃サンプル陰性陰性サンプルが決定されます

FN = np.logical_and（np.logical_not（pre_issame）、actual_issame）＃陽性試料は陰性サンプルとして決定されます

TPR = 0の場合、TP + FN == 0他のフロート（TP）/フロート（TP + FN）＃リコール

FPR = 0であればFP + TN == 0他のフロート（TN）/フロート（FP + TN）

accurは=（TP + TN）/（TP + FP + FN + TN）

ステップ4：使用threshold_max = np.argmax（accur）＃最大精度指標値を取得し、最高の指標値の閾値であります

DEFのcalculate_roc（THRESH、DIST、actual_issame）：
    pre_issame = np.less（DIST、THRESH）
    TP = np.sum（np.logical_and（pre_issame、actual_issame）） ＃n個のサンプルを陽性サンプルとして予測され 
    、FP = np.sum（NP .logical_and（pre_issame、np.logical_not（actual_issame））） ＃陰性サンプルが陽性サンプルを予測される 
    TN = np.sum（np.logical_and（np.logical_not（pre_issame）、np.logical_not（actual_issame））） ＃陰性サンプルであります陰性サンプル予測 
    のFn = np.sum（np.logical_and（np.logical_not（pre_issame）、actual_issame）） ＃のN個のサンプルが陰性サンプルを予測される

    TPR = 0 IF TP + TN == 0 他のフロート（TP）/フロート（ + TP FN）
    FPR= 0 であれば TP + FN == 0 他のフロート（TN）/フロート（FP + TN）
    accur =（（TP + TN）/ dist.size）
     リターンTPR、FPR、accur
 ＃の
 インポートNPとしてnumpyの
 から sklearn.model_selectionのインポートKFoldの
距離 = np.array（[0.1、0.2、0.3、0.25、0.33、0.20、0.18、0.24 ]）
actual_issame = np.array（[、TRUE TRUE、FALSE FALSE、FALSE、TRUE、真、偽]）
k_fold = KFold（n_splits = 4、シャッフル= 偽）
指数 = np.arange（LEN（距離））
 のため k_num、（train_set、test_set）列挙（k_fold.split（インデックス））：
    しきい値 = np.arange（0、1、0.04 ）
    精度 = np.zeros（LEN（閾値））
     のため threshold_index、閾値に列挙（しきい値）：
        _、_、精度[ threshold_index] = calculate_roc（閾値距離[train_set]、actual_issame [train_set]）

    max_threshold = np.argmax（精度）
     プリント（しきい値[max_threshold]）

---終わり---コンテンツを復元

おすすめ