SpaceNet与常规方法的对比

最新推荐文章于 2025-10-12 03:06:30 发布

原创

最新推荐文章于 2025-10-12 03:06:30 发布 · 1.6k 阅读

0 ·

CC 4.0 BY-SA版权

文章标签：

#python #机器学习

本文探讨了SpaceNet模型的调参过程及其在功能磁共振数据处理中的应用。作者对比了不同方法的准确率，并提出了针对3D数据转换到2D数据的问题解决方案。此外，文章还介绍了如何通过调整参数提高模型准确率。

前面对SpaceNet进行调参，发现最高才89%，我的直觉告诉我还是低了点，为了证明，我决定调用常规的方法，如svm，logistics等，来验证这个分数。

上一个章节对SpaceNet进行cv=10的操作，准确率是-89%和86%，再验证集是62.5%。
SpaceNet模型接受的数据是3D的数据，而scikitlearn是2D数据，所以需要降维，即使用nilearn的NiftiMasker函数，Nifti Masker，这个函数是用来把三维数据变成二维数据的，如下图:
在这里插入图片描述
当然了，这个70831是用group mask屏蔽了brain bet之外的体素，值得注意的是，这个二维数组虽然可以用于scikitlearn，但是不能用于SpaceNet模型。

还有一点需要注意的是，SpaceNet本身是没有threshold的，但是没有这个就不能画AUC，其实是有办法的，就是SpaceNet有一个专门的函数是decision_function，它>0代表正类，它小于0代表负类，有了这个函数，就有了threshold，就可以画AUC了，很棒。这个是重点，记笔记。
在这里插入图片描述
那么SpaceNet的cv准确率只有89%和86%，test accuracy也只有62.5%，是不是数据就是这样子呢？下面就试试其他的model，需要注意的是，这里调用model以后，model有3个方法，fit、predict和transform。