Получить усредненные прогнозируемые значения в Python

Я создал алгоритм, который возвращает двоичную классификацию как вероятности, вот результат прогноза:

pred = [0.0139619, 0.986038]

Теперь мне нужно усреднить эти два значения и получить скаляр от 0 до 1, который суммирует предсказанные вероятности, просто в качестве примера:

averaged_pred = 0.974 # In range 0 to 1

Как я могу реализовать это?

Как в среднем 0.974. Хочешь средний по классу? Если вы усредняете вероятности 0 и 1, всегда будет 0.5

techytushar 26.12.2020 15:59

Это просто пример, мне нужно получить среднее значение между обоими классами, я это уже видел, но я не уверен, какой должна быть функция. Идея состоит в том, что average является скалярным значением, оно будет 0, если pred = [100, 0], и 1, если pred = [100], но я запутался в процедуре.

Stack 26.12.2020 16:02

может быть, использовать энтропию -p*ln(p)? Это будет около 0,69, если вероятности равны 0,5 и 0,5 и ухудшаются от этого до близкого к 0 в случае [0,1].

GrimTrigger 26.12.2020 18:35
Почему в Python есть оператор "pass"?
Почему в Python есть оператор "pass"?
Оператор pass в Python - это простая концепция, которую могут быстро освоить даже новички без опыта программирования.
Некоторые методы, о которых вы не знали, что они существуют в Python
Некоторые методы, о которых вы не знали, что они существуют в Python
Python - самый известный и самый простой в изучении язык в наши дни. Имея широкий спектр применения в области машинного обучения, Data Science,...
Основы Python Часть I
Основы Python Часть I
Вы когда-нибудь задумывались, почему в программах на Python вы видите приведенный ниже код?
LeetCode - 1579. Удаление максимального числа ребер для сохранения полной проходимости графа
LeetCode - 1579. Удаление максимального числа ребер для сохранения полной проходимости графа
Алиса и Боб имеют неориентированный граф из n узлов и трех типов ребер:
Оптимизация кода с помощью тернарного оператора Python
Оптимизация кода с помощью тернарного оператора Python
И последнее, что мы хотели бы показать вам, прежде чем двигаться дальше, это
Советы по эффективной веб-разработке с помощью Python
Советы по эффективной веб-разработке с помощью Python
Как веб-разработчик, Python может стать мощным инструментом для создания эффективных и масштабируемых веб-приложений.
0
3
168
1
Перейти к ответу Данный вопрос помечен как решенный

Ответы 1

Ответ принят как подходящий

Очень сложно понять, что вы на самом деле пытаетесь сделать, так как есть много других переменных, о которых мы должны знать. Например, какое значение в массиве истинно, а какое ложно.

Я постараюсь объяснить, предполагая, что 0,0139619 — это правда:

В бинарной классификации у вас есть данные для истинного и ложного. Теперь в двоичном формате истина представлена ​​​​как 1, а ложь представлена ​​​​как 0, поэтому двоичный код состоит только из 0 и 1.

Теперь постройте распределение вероятностей с этими значениями. Ну, правда, у нас нет числа, но есть значение; true, а в двоичном формате true равно 1. Итак, мы делим значение 1 на вероятность в процентах. Это оставило бы нас с 1/98,6038. Теперь мы можем сделать то же самое для false. Ложь в двоичном формате равна 0, поэтому мы можем сделать 0/1,39619. Наконец, поскольку мы пытаемся получить среднее значение, мы складываем их вместе. Это дает нам среднюю вероятность между двумя биномиальными значениями.

Чтобы сделать это в python, нам просто нужно создать цикл for:

pred = [0.0139619, 0.986038] #The Probablility From Binary Classification
quantity = [1, 0] #The Values Of The Widgits, Here It Is True And False

for i in pred:
    indx = pred.index(i)
    prob_individual += (quantity[indx] / (i * 100))
        
print(prob_individual)

По сути, это выясняет, каково значение pred и каково значение количества. Он выполняет вычисления и каждый раз добавляет их к переменной с именем prob_individual. В конце он печатает это значение.

Спасибо! Это именно то, что я искал. :)

Stack 26.12.2020 21:00

Без проблем! Надеюсь, вы закончите свое машинное обучение!

The Pilot Dude 26.12.2020 23:09

Другие вопросы по теме