ibikydmport numpy as np
import matplotlib.pyplot as plt
import math
# python實現正態分佈
# 繪製正態分佈概率密度函式
u = 0 # 均值
u01 = -2
sig = math.sqrt(0www.cppcns.com.2) # 標準差
sig01 = math.sqrt(1)
sig02 = math.sqrt(5)
sig_u01 = math.sqrt(0.5)
x = np.linspace(u - 3程式設計客棧*sig, u + 3*sig, 50)
x_01 = np.linspace(u - 6 * sig, u + 6 * sig, 50)
x_02 = np.linspace(u - 10 * sig, u + 10 * sig, 50)
x_u01 = np.linspace(u - 10 * sig, u + 1 * sig, 50)
y_sig = np.exp(-(x - u) ** 2 /(2* sig **2))/(math.sqrt(2*math.pi)*sig)程式設計客棧
y_sig01 = np.exp(-(x_01 - u) ** 2 /(2* sig01 **2))/(math.sqr程式設計客棧t(2*math.pi)*sig01)
y_sig02 = np.exp(-(x_02 - u) ** 2 / (2 * sig02 ** 2)) / (math.sqrt(2 * math.pi) * sig02)
y_sig_u01 = np.exp(-(x_u01 - u01) ** 2 / (2 * sig_u01 ** 2)) / (math.sqrt(2 * math.pi) * sig_u01)
plt.plot(x, y_sig, "r-", linewidth=2)
plt.plot(x_01, y_sig01, "g-", linewidth=2)
plt.plot(x_02, y_sig02, "b-", linewidth=2)
plt.plot(x_u01, y_sig_u01, "m-", linewidth=2)
# plt.plot(x, y, 'r-', x, y, 'go', linewidth=2,markersize=8)
plt.grid(true)
plt.show()
效果：
python 繪製ROC曲線
簡述 機器學習很多是為測試樣本產生乙個 值，然後將這個 值與閾值進行對比，若大於閾值則分為正類，否則分為反類。這個 值的好壞，直接決定了學習器泛化能力。根據這個 值，我們可以對測試樣本進行排序，最可能 是正例的排在最前面，最不可能 是正例的排在最後面。這樣，分類過程就相當於在這個排序中以某個截斷點將...
Python動態繪製曲線
python動態繪製曲線 import numpy as np import matplotlib.pyplot as plt num 100index 0data np.zeros num 初始化 for i in range 10000 index index 0.1 adddata np.si...
Python學習 ROC曲線繪製
from sklearn.metrics import roc curve 匯入roc曲線函式 fpr,tpr,thresholds roc curve test 3 tree.predict proba test 3 1 pos label 1 test 3 測試集真實標記值 tree.predi...