锐客网

  1. 首页 > 睿知 > it技术 > >

python求ks值函数 python ks值

IT技术数据

python之KS曲线# 自定义绘制ks曲线的函数
def plot_ks(y_test, y_score, positive_flag):
# 对y_test,y_score重新设置索引
y_test.index = np.arange(len(y_test))
#y_score.index = np.arange(len(y_score))
# 构建目标数据集
target_data = https://www.04ip.com/post/pd.DataFrame({'y_test':y_test, 'y_score':y_score})
# 按y_score降序排列
target_data.sort_values(by = 'y_score', ascending = False, inplace = True)
# 自定义分位点
cuts = np.arange(0.1,1,0.1)
【python求ks值函数 python ks值】# 计算各分位点对应的Score值
index = len(target_data.y_score)*cuts
scores = target_data.y_score.iloc[index.astype('int')]
# 根据不同的Score值，计算Sensitivity和Specificity
Sensitivity = []
Specificity = []
for score in scores:
# 正例覆盖样本数量与实际正例样本量
positive_recall = target_data.loc[(target_data.y_test == positive_flag)(target_data.y_scorescore),:].shape[0]
positive = sum(target_data.y_test == positive_flag)
# 负例覆盖样本数量与实际负例样本量
negative_recall = target_data.loc[(target_data.y_test != positive_flag)(target_data.y_score=score),:].shape[0]
negative = sum(target_data.y_test != positive_flag)
Sensitivity.append(positive_recall/positive)
Specificity.append(negative_recall/negative)
# 构建绘图数据
plot_data = https://www.04ip.com/post/pd.DataFrame({'cuts':cuts,'y1':1-np.array(Specificity),'y2':np.array(Sensitivity),
'ks':np.array(Sensitivity)-(1-np.array(Specificity))})
# 寻找Sensitivity和1-Specificity之差的最大值索引
max_ks_index = np.argmax(plot_data.ks)
plt.plot([0]+cuts.tolist()+[1], [0]+plot_data.y1.tolist()+[1], label = '1-Specificity')
plt.plot([0]+cuts.tolist()+[1], [0]+plot_data.y2.tolist()+[1], label = 'Sensitivity')
# 添加参考线
plt.vlines(plot_data.cuts[max_ks_index], ymin = plot_data.y1[max_ks_index],
ymax = plot_data.y2[max_ks_index], linestyles = '--')
# 添加文本信息
plt.text(x = plot_data.cuts[max_ks_index]+0.01,
y = plot_data.y1[max_ks_index]+plot_data.ks[max_ks_index]/2,
s = 'KS= %.2f' %plot_data.ks[max_ks_index])
# 显示图例
plt.legend()
# 显示图形
plt.show()
# 调用自定义函数，绘制K-S曲线
plot_ks(y_test = y_test, y_score = y_score, positive_flag = 1)
python ks检验的2个值是什么意思首先生成1000个服从N(0,1)标准正态分布python求ks值函数的随机数，在使用k-s检验该数据是否服从正态分布，提出假设python求ks值函数：x从正态分布 。
最终返回python求ks值函数的结果，p-value=https://www.04ip.com/post/0.76584491300591395 ， 比指定python求ks值函数的显著水平（假设为5%）大 ， 则我们不能拒绝假设：x服从正态分布 。
这并不是说x服从正态分布一定是正确的，而是说没有充分的证据证明x不服从正态分布 。因此我们的假设被接受，认为x服从正态分布 。
如果p-value小于我们指定的显著性水平 ， 则我们可以肯定的拒绝提出的假设 ， 认为x肯定不服从正态分布，这个拒绝是绝对正确的 。
python:5种正态性检验方法1.直方图
由于正态分布具有非常典型的中间高，两边低的图形特征，如果样本数据并不服从正态分布，我们可以通过直方图很快地分辨出来 。更进一步地 ， Python可以辅助生成基于样本数据估计的正态曲线，这样就容易辅助我们进行判断 。
图形观察虽然直观，但是部分研究者认为单纯观察图形过于主观，因此我们也可以选择使用统计检验的方法去研究数据是否服从正态分布 。
操作步骤：
导入相关的包及数据
2 P-P图及Q-Q图
直方图是最长用于观察数据分布的常用图形选项 ， 尤其是带正态曲线的直方图，可以非常直观地看到实际数据分布和正态曲线的对比 ， 而P-P图及Q-Q图则是另一种选择，它可以直观给出实际数据分布和理论的差距 。

推荐阅读


上一篇：oracle成绩等级查询，oracle查询每个学生的总成绩

下一篇：如何做新媒体领域，怎样做新媒体