python pyplot accuracy cost曲线绘制

最新推荐文章于 2025-04-22 15:54:34 发布

FishBear_move_on

最新推荐文章于 2025-04-22 15:54:34 发布

阅读量2.9k

点赞数 2

分类专栏：深度学习&数据挖掘文章标签： python曲线绘制 cost曲线绘制

本文链接：https://blog.youkuaiyun.com/haluoluo211/article/details/81158400

版权

本文主要内容是使用python matplotlib绘制accuracy, cost曲线。在使用机器学习算法训练时往往需要输出训练的accuracy以及cost，但是最直观的方法还是绘制对应的曲线（根据训练的迭代期n），本文给出简要的绘制方法。

代码如下，也可见stackoverflow：


import numpy as np
import matplotlib.pyplot as plt


def draw_result(lst_iter, lst_loss, lst_acc, title):
    plt.plot(lst_iter, lst_loss,

最低0.47元/天解锁文章

确定要放弃本次机会？

福利倒计时

: :

立减 ¥

普通VIP年卡可用

立即使用

FishBear_move_on

关注关注

2
点赞
踩
6

收藏

觉得还不错? 一键收藏
0
评论
分享

复制链接

分享到 QQ

分享到新浪微博

扫一扫
举报

举报

专栏目录

ROC曲线实战技巧：经验分享

AI天才研究院

05-28

844

ROC曲线实战技巧：经验分享 1.背景介绍 1.1 ROC曲线的重要性在机器学习和数据挖掘领域中,评估模型性能是一个关键环节。ROC(Receiver Operating Characteristic)曲线作为一种广泛使用的模型评估工具,可

[Python人工智能] 十九.Keras搭建循环神经网络分类案例及RNN原理详解

杨秀璋的专栏

02-23

9266

从本专栏开始，作者正式研究Python深度学习、神经网络及人工智能相关知识。前一篇文章分享了卷积神经网络CNN原理，并通过Keras编写CNN实现了MNIST分类学习案例。这篇文章将详细讲解循环神经网络RNN的原理知识，并采用TensorFlow实现手写数字识别的RNN分类案例及可视化呈现。基础性文章，希望对您有所帮助！

参与评论您还未登录，请先登录后发表或查看评论

python绘制loss和accuracy曲线

Answer3664的博客

07-31

9105

一、导入工具包 import matplotlib.pyplot as plt from mpl_toolkits.axes_grid1 import host_subplot 二、定义画图函数 def plot_acc_loss(loss, acc): host = host_subplot(111) # row=1 col=1 first pic plt.subpl...

使用python matploblib库绘制准确率,损失率折线图

12-17

我就废话不多说了，大家还是直接看代码吧~ import matplotlib.pyplot as plt epochs = [0,1,2,3] acc = [4,8,6,5] loss = [3,2,1,4] plt.plot(epochs,acc,color='r',label='acc') # r表示红色 plt.plot(epochs,loss,color=(0,0,0),label='loss') #也可以用RGB值表示颜色 #####非必须内容######### plt.xlabel('epochs') #x轴表示 plt.ylabel('y label') #y轴表示 plt.t

Python绘图（曲线，柱状图）

最新发布

qq_56632135的博客

04-22

341

曲线图示例：Excel数据实例：代码：单独绘制图例：代码：二、柱状图示例：三、拟合图

python画loss曲线_绘制loss和accuracy曲线

weixin_39769228的博客

12-06

652

Iteration 0 testing... accuracy: 0.10000000149Iteration 200 testing... accuracy: 0.419999986887Iteration 400 testing... accuracy: 0.479999989271Iteration 600 testing... accuracy: 0.540000021458Iterati...

Python教学:曲线绘制

格码老师教编程

10-22

566

【代码】Python 曲线绘制。

ROC曲线与“代价曲线”（cost-curve）的探究（1）

xiaoyi1888的博客

06-17

2377

引言很多分类器是为测试样本产生一个实值或概率预测，然后将这个预测值与一个分类阈值进行比较，若大于阈值则分为正类，否则为负类。在不同的应用任务中，根据实际需要，可以选择不同的阈值。如果我们更加重视“查准率(Precision Rate)”，那么可以将阈值选得较大；如果我们更重视“召回率(Recall Rate)”，那么可以将阈值选得较小。当样本分布给定的时候，对于特定的阈值，我们都可以用该分类器进行测试，计算出真正例率(True Positive Rate，简称TPR，TPR=TPTP+FN

机器学习之ROC曲线绘制

wxfu2010的博客

02-18

7373

问题当我们在使用机器学习分类算法时，例如使用逻辑回归来对鸢尾花进行样本分类，是否准确率为95%就代表模型非常成功呢？如何来判定我们使用模型的好坏呢？ ROC曲线其实，这种好坏的评判标准一直都有，而且随着时代的进步不断更迭。十几年前在《machine learning》一文中就提出了分类精确的概念来划定模型的好坏；此后，学术界又引入信息检索(IR)领域中的recall和precision进行判定。然而，在现实中样本在不同类别上的不均衡分布(class distribution imbalance

[教程]CNN图像分类识别+数据集制作+训练模型+预测图片+绘制准确率和loss曲线图

分享知识

03-19

7698

这个专栏更新各种AI，以及各种有趣的教程，有兴趣的小伙伴可以订阅一下。首先是图片的搜集，方法无非两种一是开源的数据集，直接拿来用，另一种就是自己搜集图片制作数据集。这里我们可以通过爬虫，或是自己通过其他途径获取数据，我这里以水果识别为例子爬虫搜集5种水果各若干，放在data/各个水果文件夹下。比如草莓这个图片是这样的，我们只.

机器学习中的一些COST函数的说明

JunyongYao的博客

11-16

5409

一般这些函数都能在 sklearn.metrics 中找到

在tensorflow下利用plt画论文中loss,acc等曲线图实例

09-16

主要介绍了在tensorflow下利用plt画论文中loss,acc等曲线图实例，具有很好的参考价值，希望对大家有所帮助。一起跟随小编过来看看吧

python中利用随机数绘制曲线

hsy12342611的专栏

12-02

3213

Python中random，matplotlib.pyplot，numpy.random，matplotlib.pyplot使用

python小函数accuracy分享

山中有石为玉

07-18

5688

def get_classification_accuracy(feature_matrix, sentiment, coefficients): scores = np.dot(feature_matrix, coefficients) apply_threshold = np.vectorize(lambda x: 1. if x > 0 else -1.) ...

pyplot绘图（折线图、散点图、柱状图、正态分布曲线及其他基本参数设置）

weixin_44695491的博客

04-17

3574

1、基本参数设置 plt.title("图表标题") #设置图表标题 plt.xlabel('x轴标签') #设置x轴标签 plt.ylabel('y轴标签') #设置y轴标签 plt.xticks(rotation=30) #设置x轴标签的旋转角度 plt.rcParams['font.sans-serif'] = ['SimHei'] #若图中有中文需要加上，否则会乱码 plt.grid(True) #添加网格参考线，横纵都有 plt.grid(axis='y') #添加y轴网格线

绘制loss和accuracy曲线

热门推荐

听笙

01-27

1万+

JLU-IPVR 听笙做过训练的同学们都知道，我们很关注训练过程中loss和accuracy这两个参数值的变化，loss值不断减小，证明它正在趋于收敛，accuracy值不断增加，证明它的准确率在不断提升，这都是我们想看到的，实际上我们也希望能够直观的看到他们的变化趋势。这篇文章讲解的就是如何将loss和accuracy的变化曲线描绘出来。在训练过程中我们会发现有这样一些东西：这

Keras 2.0 模型加载与保存

hankerbit的博客

11-16

362

转 https://blog.youkuaiyun.com/yangzm/article/details/82685415 第一种 from keras.models import load_model model.save('my_model.h5') # creates a HDF5 file 'my_model.h5' del model # deletes the existing model # returns a compiled model # identical to the previ...

python numpy 求top-k accuracy指标

外婆家的大灰狼

07-23

6974

top-k acc表示在多分类情况下取最高的k类得分的label，与真实值匹配，只要有一个label match，结果就是True。如对于一个有5类的多分类任务 a_real = 1 a_pred = [0.02, 0.23, 0.35, 0.38, 0.02] #top-1 a_pred_label = 3 match = False #top-3 a_pred_label_list = ...

Python绘图之matplotlib基本语法

马行处的博客

07-19

7333

　　博客地址：http://www.cnblogs.com/yudanqu/ 　　Matplotlib 是一个 Python的 2D绘图库，通过 Matplotlib，开发者可以仅需要几行代码，便可以生成绘图，直方图，功率谱，条形图，错误图，散点图等。当然他也是可以画出3D图形的，这时就需要安装更多的扩展。相比MATLAB来说，python不需要那么大的安装包，而且最重要的是开源的，在这...

支持向量机COST调参

01-23

### 调整支持向量机 (SVM) 中的 C 参数 C 参数是 SVM 的一个重要超参数，在控制模型复杂度方面起着关键作用。较低的 C 值意味着更大的容错空间，这可能导致更简单的决策边界并减少过拟合的风险；而较高的 C 值会使模型更加关注于正确分类每一个样本，可能会导致过拟合。 #### 使用网格搜索进行 C 参数调优为了有效地调整 C 参数，可以采用网格搜索的方法来遍历一系列可能的取值组合，并评估不同配置下的模型表现： ```python from sklearn.model_selection import GridSearchCV from sklearn.svm import SVC import numpy as np # 定义要测试的不同 C 值范围 param_grid = {'C': [0.1, 1, 10, 100], 'kernel': ['linear']} # 创建 SVM 分类器对象 svc = SVC() # 初始化 GridSearchCV 对象 grid_search = GridSearchCV(estimator=svc, param_grid=param_grid, cv=5) # 执行交叉验证寻找最佳参数 X_train, y_train = ... # 加载训练数据 grid_search.fit(X_train, y_train) print(f"Best parameters found: {grid_search.best_params_}") ``` 这段代码展示了如何利用 `GridSearchCV` 来自动执行 C 参数的选择过程[^2]。通过指定多个候选值组成的列表作为输入给定到 `param_grid` 字典中，程序会依次尝试这些选项并与实际标签对比以找出最优解。 #### 验证曲线展示 C 参数的影响除了上述方法外，还可以绘制验证曲线直观地观察 C 参数变化对于泛化能力的影响: ```python from sklearn.model_selection import validation_curve import matplotlib.pyplot as plt def plot_validation_curve(): train_scores, test_scores = validation_curve( estimator=SVC(kernel='linear'), X=X_train, y=y_train, param_name="C", param_range=np.logspace(-2, 3, num=6), scoring="accuracy" ) mean_test_score = np.mean(test_scores, axis=1) std_test_score = np.std(test_scores, axis=1) plt.semilogx(np.logspace(-2, 3, num=6), mean_test_score, label="Cross-validation score", color="g") plt.fill_between(np.logspace(- std_test_score, mean_test_score + std_test_score, alpha=0.15, color="g") plot_validation_curve() plt.xlabel('Parameter C') plt.ylabel('Score') plt.legend(loc="best") plt.grid(True) plt.show() ``` 此图有助于理解随着 C 取值增加时模型性能的变化趋势，进而辅助决定合适的 C 值。