墨衍会员
·
AI 创作全网分发
墨衍智能分发
本文由作者通过墨衍一键同步至各平台
1分发平台
1.6k累计阅读
1.6k平均单平台
已同步平台
优快云
微信公众号
微博
知乎
掘金
百家号
博客园
抖音
小红书
你的文章也可以这样分发
墨衍会员 ¥399起/年，写一次发全网
我也要
有同学做了个多分类的预测模型，结局有三个类别，做的模型包括多分类逻辑回归、随机森林和决策树，多分类逻辑回归是用ROC曲线并报告AUC作为模型评估的，后面两种模型报告了混淆矩阵，审稿人就提出要统一模型评估指标。那么肯定是统一成ROC了，刚好借这个机会给大家讲讲ROC在多分类问题情形下的具体使用和做法。
ROC 曲线（Receiver Operating Characteristic Curve）：展示分类模型的真阳性率（TPR） 和 假阳性率（FPR）的关系。
其中的逻辑就是分类问题是要看概率阈值进行类别划分的，取不同的概率阈值，真阳性和假阳性率是不一样的。ROC曲线就是在所有可能的阈值下，绘制 TPR（纵轴） 对 FPR（横轴）的曲线。
而AUC（Area Under the Curve）
7.评价预测模型——ROC曲线
表中有4个可能结果，其中2个结果表明被评价诊断方法的诊断结果是正确的，即病例被诊断为阳性（真阳性；diag.col参考线颜色，diag.lty参考线类型，curve.col, curve.lty, curve.lwd 设置ROC曲线的颜色，类型，宽度，xaxs，yaxs设置原点相交。拟合优度检验计算每个个体结局事件的预测值，并按照预测值的大小对数据进行分组，一般分为5-10组，进行Hosmer-Lemeshow拟合优度检验，考察预测值与实际值的吻合程度，p>0.05，说明模型拟合效果较好。
predict函数 R_基于R语言的多指标联合预测ROC曲线分析
今天就介绍下用R语言怎么做多指标联合预测ROC曲线。1. 安装和加载包绘制ROC曲线使用pROC包，构建Logistic回归使用glmnet包。"pROC")2. 加载数据集使用pROC包自带的数据集进行演示。#清除环境3. 建立Logistic回归模型当使用很多连续变量和/或分类变量来预测二值型结果变量时，可以使用Logistic回归。假设我们需要分析s100b和ndka这两个指标...
Cox构建预测模型（6）：如何用R语言绘制ROC曲线？（附全套代码）
这篇文献通过绘制两个模型的DCA曲线来评估模型的临床决策实际需求，一个是列线图模型，包括纳入列线图的全部变量，一个是TNM模型，只纳入TNM分期3个变量。A图是训练集1年、3年、5年患者的总生存期的DCA曲线；B图是训练集1年、3年、5年患者的总生存期的DCA曲线，红色线条代表列线图模型（包括构建模型的10个变量），黄色线条代表TNM模型（仅纳入TNM分期3个变量），两个模型对比，这里根据文献，我们需要绘制1年、3年、5年的ROC曲线，为减少篇幅，只为大家展示训练集ROC曲线的绘制，验证集同理。
r roc曲线 语言_R语言系列6：生存分析中多重时间依赖性ROC曲线绘制 timeROC
上一篇文章，我们讲到R语言实现Cox回归生存预测模型构建，以及如何将Logistic回归中，多条ROC曲线绘制在一个图里今天主要围绕生存分析中，预测模型验证部分，如何将多条time-dependent ROC 曲线绘制在一个图里，进行示范操作1模型构建(同前)有关模型构建，前面已述，代码与之前重复输入文件：dev.csv模型构建：dev"dev.csv") ...
R语言：ROC 曲线绘制及AUC、截断值、灵敏度、特异度、准确度等结果计算
R语言：基于二分类资料的单因素ROC 曲线绘制及AUC、灵敏度、特异度、准确度、截断值、阳性阴性似然比、阳性阴性预测值等结果计算。
R数据分析：跟随top期刊手把手教你做一个临床预测模型
临床预测模型也是大家比较感兴趣的，今天就带着大家看一篇临床预测模型的文章，并且用一个例子给大家过一遍做法。 这篇文章来自护理领域顶级期刊的文章，文章名在下面 Ballesta-Castillejos A, Gómez-Salgado J, Rodríguez-Almagro J, Hernández-Martínez A. Development and validation of a predictive model of exclusive breastfeeding at hospital di
R语言临床预测模型的评价指标与验证指标实战：ROC曲线、AUC(C-Statistics)
R语言临床预测模型的评价指标与验证指标实战：ROC曲线、AUC(C-Statistics) 目录 R语言临床预测模型的评价指标与验证指标实战：ROC曲线、AUC(C-Statistics) #案例分析 #模型构建及指标计算（C-statistics） #案例分析 #模型构建及指标计算（C-statistics） #C-statistics计算 library(foreign) library(rms) mydata<-read.spss("lweight.s..
R数据分析：临床预测模型实操，校准曲线和DCA曲线做法示例
之前给大家写过好几篇很详细的临床预测模型的原理解析，本文接着之前的文章，继续写做法，首先依然是找到一篇参照论文，今天我们的示例文章是一篇来自美国心脏学会杂志的文章：原文给大家贴在上面，我们要做的就是对文章统计部分进行复现。整篇文章就是开发了一个用于预测癌症患者的3个月死亡率风险诺模图，考虑了什么变量，用的是什么人群队列，本文不关心，感兴趣的同学自行去阅读原文哈，本文着重写宏观做法，作者具体使用的模型是Step-wise logistic regression，文章中有报告各个变量的OR和整体模型的conco
Ubuntu 20.04 + CARLA 0.9.13 长时运行崩溃？手把手教你定位和缓解Segmentation fault
本文详细解析了Ubuntu 20.04环境下CARLA 0.9.13仿真平台长时运行崩溃问题，提供了从内存监控到核心转储分析的系统级诊断方法，并分享内存泄漏缓解、稳定性优化配置等实用解决方案，帮助开发者构建更稳定的自动驾驶仿真环境。
Badcase归因分析“四部曲”
badcase是业内的专业名词，简单解释一下。bad是坏，case是案例，说白了就是模型或者具体规则无法很好预测的那些案例。以分类模型为例，本来一个样本应该是负类的，结果预测为正类，那这个样本就能被称为bad case。那相对应的就是good case就是优秀案例。
ONNC Open Neural Network Compiler 开源神经网络编译器 一个 开源、模块化、可重用编译器算法和工具链的库，专门针对深度学习加速器（DLA）部署导入ONNX模型
ONNC是一个集合了开源、模块化、可重用编译器算法和工具链的库，专门针对深度学习加速器（DLA）。ONNC从底层开始构建，旨在将ONNX中间表示（IR）翻译成专有DLA代码。其软件架构设计强调可移植性和可重用性，从而简化了开发新后端的工作。上图展示了ONNC软件栈的顶层框图。软件栈从导入ONNX计算图模型到输出相应的硬件二进制文件，展示了各个功能块。
AUTOSAR/汽车行业
AUTOSAR架构及汽车产业链相关介绍
STM32F103C8T6的PC13-15引脚配置避坑指南：为什么你的IO口不工作？
本文详细解析了STM32F103C8T6的PC13-15引脚作为普通IO口不工作的原因及解决方案。这三个引脚默认关联侵入检测和低速外部时钟等特殊功能，需先禁用TAMPER和LSE，并开启AFIO时钟，才能正确配置为普通GPIO。文章提供了标准外设库和HAL库的配置步骤、常见问题排查方法及硬件设计注意事项。
Pixhawk+OpenMV实战：如何用Apriltag实现无人机自动降落（附避坑指南）
本文详细介绍了如何利用Pixhawk飞控和OpenMV摄像头，通过Apriltag视觉标签实现无人机的精准降落系统。从硬件搭建、参数配置到视觉处理代码优化，提供了完整的实战指南和避坑建议，帮助开发者快速实现厘米级精度的自动降落功能。
微波无源器件 功分器1 新型方波导双模无功功分器
本名证明了一种基于有着特定功能的(dedicated)T性匹配元件（散射件）的进化结点的新型波导双模两路功分器的可行性。这个散射件，有着面向三个部分的匹配部分，提供了等效功分并且朝着对应的输出端口传输矩形波导的两个TE10/TE01正交模式。所提出的设计紧凑，易于比例变化并且能够级联来获得。
论文翻译：2024 High-Confidence Computing A survey on large language model (LLM) security and privacy: The
大型语言模型（LLMs），如ChatGPT和Bard，已经彻底改变了自然语言理解和生成。它们具有深度语言理解能力、类似人类的文本生成能力、上下文意识和强大的问题解决技能，使它们在各个领域（例如搜索引擎、客户支持、翻译）中变得不可或缺。同时，LLMs也在安全领域获得了关注，揭示了安全漏洞并展示了它们在安全相关任务中的潜力。本文探讨了LLMs与安全性和隐私的交集。具体来说，我们研究了LLMs如何积极影响安全性和隐私，与它们使用相关的潜在风险和威胁，以及LLMs内部的固有漏洞。
汉书HE8，好用的汇编代码编写工具
汉书HE8，好用的汇编代码编写工具早期编写汇编代码所用功能强大
贝叶斯统计 [韦来生编]
贝叶斯（Bayes）统计是近几十年来迅速发展起来的数理统计的一个重要分支。贝叶斯方法与经典统计方法的主要不同之处是进行统计推断时除了利用样本信息外，还要利用参数的先验信息，因此可以提高统计推断或统计决策的效果。它在经济、金融、生物、医学、自然科学和社会科学等许多领域具有广泛的应用。贝叶斯方法的研究已渗透到了统计学的几乎所有领域。作者在给中国科学技术大学概率论与数理统计专业本科生开设的“数理统计”课程中有一章专门讲授“贝叶斯方法和统计决策理论”，近十年来也给中国科学技术大学概率统计专业研究生开设过几次“贝叶斯分析”课。本书是在对过去讲稿的内容作了适当的增减和调整的基础上完成的。 本书共分六章。第1章是绪论，介绍了贝叶斯统计的若干基本概念，同时对必要的数理统计的基础知识有重点地作了回顾。第二章介绍了确定先验分布的若干可供选择的方法。第三章介绍了几类常见统计模型参数的后验分布的主要结果和计算方法。第四章和第五章分别介绍了“贝叶斯统计推断”和“贝叶斯统计决策”的内容。第六章介绍了贝叶斯统计计算的若干方法，包括蒙特卡洛方法和马尔可夫链蒙特卡洛（MCMC）方法以及相关统计软件的简介。本书的每一章附右大量的例题和习题，书末附有常用的几个表格和部分习题解答供读者查用。 大约可在54学时内讲授本书的第1章至第六章的主要内容，教师可根据学时需要选讲本书第1章至第六章的部分内容。书中标“*”号的章节可略去不讲，留给读者作为阅读材料。第六章例题中的R代码和部分例题的数据文件等可从作者个人主页下载。 作者在编写本书的过程中参考了J.O.Berger教授的《统计决策论及贝叶斯分析》和茆诗松教授编写的《贝叶斯统计》等书中的一些内容，以及《贝叶斯分析》一书中由张伟平博士编写的有关贝叶斯统计计算的一些内容。在此表示衷心感谢。 本书编写准备过程中，中国科学技术大学统计与金融系的几个研究生帮助完成了本书部分中文的录入和排版，作者对他们的辛勤工作表示真诚的感谢。高等教育出版社为本书的出版给予了大力支持。在此一并致谢。
IDEA的使用指南
IDEA基于java的使用手册,可以最快速的上手,在使用中不断的丰富自己的使用技巧.
深度学习工具包 DeepLearningToolbox
深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[](https://bitdeli.com/free "Bitdeli Badge")
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
超级会员免费看
订阅专栏 解锁全文
6965
扫一扫
