成本敏感半监督学习算法预测反欺诈二分类python代码,精确率(Precision) 召回率(Recall) F1分数 G-mean、auc、roc作为评价标准,给出完成代码

### 基于成本敏感的半监督学习算法实现 以下是针对反欺诈二分类任务设计的一个基于成本敏感的半监督学习算法的 Python 实现。该代码使用 Precision、Recall、F1 分数、G-mean 和 AUC/ROC 曲线作为评估指标。 #### 数据准备与预处理 为了模拟不平衡数据集的情况,可以采用 `imblearn` 库中的方法来生成或调整样本分布。此外,在训练过程中引入成本矩阵以反映不同类别错误预测的成本差异[^2]。 ```python import numpy as np from sklearn.semi_supervised import LabelPropagation from sklearn.linear_model import LogisticRegression from sklearn.model_selection import train_test_split from sklearn.metrics import ( precision_score, recall_score, f1_score, roc_auc_score, make_scorer, confusion_matrix, roc_curve, auc ) from imblearn.datasets import make_imbalance from scipy.interpolate import interp1d from sklearn.preprocessing import label_binarize from sklearn.pipeline import Pipeline import matplotlib.pyplot as plt # 创建不平衡的数据集 X, y = make_imbalance( n_samples=1000, weights=[0.9, 0.1], flip_y=0.05, random_state=42 ) # 将部分标签设置为未知 (-1 表示未标记) np.random.seed(42) unlabeled_idx = np.random.choice(np.arange(len(y)), size=int(0.8 * len(y)), replace=False) y_with_unlabeled = np.copy(y).astype(float) y_with_unlabeled[unlabeled_idx] = -1 # 划分训练集和测试集 X_train, X_test, y_train, y_test = train_test_split(X, y_with_unlabeled, test_size=0.3, stratify=y, random_state=42) # 定义管道模型:Label Propagation + Cost-Sensitive Logistic Regression pipeline = Pipeline([ ('label_prop', LabelPropagation(kernel='knn', max_iter=1000)), ('classifier', LogisticRegression(class_weight={0: 1, 1: 10}, solver='liblinear')) ]) # 训练模型 pipeline.fit(X_train, y_train) # 预测并计算评价指标 y_pred = pipeline.predict(X_test) y_proba = pipeline.predict_proba(X_test)[:, 1] precision = precision_score(y_test[y_test != -1], y_pred[y_test != -1]) recall = recall_score(y_test[y_test != -1], y_pred[y_test != -1]) f1 = f1_score(y_test[y_test != -1], y_pred[y_test != -1]) g_mean = np.sqrt(recall * (confusion_matrix(y_test[y_test != -1], y_pred[y_test != -1]).diagonal() / np.sum(confusion_matrix(y_test[y_test != -1], y_pred[y_test != -1]), axis=None)) roc_auc = roc_auc_score(label_binarize(y_test[y_test != -1], classes=np.unique(y_test[y_test != -1])), y_proba) print(f"Precision: {precision:.4f}") print(f"Recall: {recall:.4f}") print(f"F1 Score: {f1:.4f}") print(f"G-Mean: {g_mean:.4f}") print(f"AUC-ROC: {roc_auc:.4f}") # 绘制 ROC 曲线 fpr, tpr, _ = roc_curve(label_binarize(y_test[y_test != -1], classes=np.unique(y_test[y_test != -1])), y_proba) plt.figure() lw = 2 plt.plot(fpr, tpr, color="darkorange", lw=lw, label=f"ROC Curve (area = {auc(fpr, tpr):.2f})") plt.plot([0, 1], [0, 1], color="navy", lw=lw, linestyle="--") plt.xlim([0.0, 1.0]) plt.ylim([0.0, 1.05]) plt.xlabel("False Positive Rate") plt.ylabel("True Positive Rate") plt.title("Receiver Operating Characteristic Example") plt.legend(loc="lower right") plt.show() ``` 上述代码实现了以下功能: 1. 使用 `make_imbalance` 函数创建了一个具有显著类不平衡特性的数据集。 2. 对一部分样例设置了未标注状态(即 `-1`),以便应用半监督学习技术。 3. 构建了一条包含 `LabelPropagation` 和带权重调节的逻辑回归模型的流水线结构。 4. 输出了多个性能度量值,包括 Precision、Recall、F1 分数、G-mean 和 AUC/ROC 曲线。 #### 关键点解释 - **Cost-Sensitive Learning**: 设置不同的误分类惩罚系数通过参数 `class_weight` 来体现,其中正类被赋予更高的代价[^2]。 - **Semi-Supervised Learning**: 运用了 `LabelPropagation` 方法传播已知标签至未标注实例上,从而充分利用有限的有标签数据以及丰富的无标签资源。 - **Evaluation Metrics**: 提供全面的多维度评估体系帮助理解模型表现特性及其局限性[^1]。 --- ### 问题

创作声明:本文部分内容由AI辅助生成(AIGC),仅供参考

Python内容推荐

python实现二分类和多分类的ROC曲线教程

python实现二分类和多分类的ROC曲线教程

主要介绍了python实现二分类和多分类的ROC曲线教程,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

main_roc_python_AUC_PR曲线_ROC曲线_

main_roc_python_AUC_PR曲线_ROC曲线_

通过给定的数据样本绘制ROC曲线和PR曲线,并计算AUC

深度学习自学记录(3)——两种多分类混淆矩阵的Python实现(含代码)

深度学习自学记录(3)——两种多分类混淆矩阵的Python实现(含代码)

深度学习自学记录(3)——两种多分类混淆矩阵的Python实现(含代码)1、什么是混淆矩阵2、分类模型评价指标3、两种多分类混淆矩阵3.1直接打印出每一个类别的分类准确率。3.2打印具体的分类结果的数值4、总结 1、什么是混淆矩阵 深度学习中,混淆矩阵是ROC曲线绘制的基础,同时它也是衡量分类型模型准确度中最基本,最直观,计算最简单的方法。它可以直观地了解分类模型在每一类样本里面表现,常作为模型评估的一部分。它可以非常容易的表明多个类别是否有混淆(也就是一个class被预测成另一个class)。 首先要明确几个概念: T或者F:该样本 是否被正确分类。 P或者N:该样本 原本是正样本还是负样本

基于python实现的评价模型好坏指标,混淆矩阵等

基于python实现的评价模型好坏指标,混淆矩阵等

混淆矩阵 基于python实现的评价模型好坏指标,混淆矩阵等

Python机器学习实验 - 决策树-1模型评估与选择

Python机器学习实验 - 决策树-1模型评估与选择

一、实验目的 学习如何用Python语言编写机器学习中模型验证与性能度量的程序 二、实验原理 I. 交叉验证,混淆矩阵,查准/查全率(准确/召回率),F1分数,P-R曲线,受试者工作特征曲线,AUC。 II. 基本算法 1)逻辑回归(LogisticRegression) 2)虚拟分类器(DummyClassifier) 3)决策树(DecisionTree) 4)支持向量机(SVM-support vector machine) 5)随机森林(Random Forest) 机器学习实验教材《Python机器学习基础教程》第五章的5.1节194-200页和5.3.2节中214-228页。 注意:忽略mglearn.plots的相关部分。

Python分类模型评估.pdf

Python分类模型评估.pdf

Python分类模型评估.pdf

Python逻辑回归二分类 ROC与KS曲线

Python逻辑回归二分类 ROC与KS曲线

Python逻辑回归二分类 ROC与KS曲线 用逻辑回归做信贷二分类,输出 ROC/AUC、PR 曲线和 KS。特征和标签可换成自己的 CSV。 功能: · 合成信贷特征 · 逻辑回归 · ROC/AUC · PR 曲线 · KS 曲线 · 打包时预跑 output/preview 压缩包含可运行源码、依赖与说明,按 README 安装后即可复现。

机器学习-python-分类模型的评价

机器学习-python-分类模型的评价

用一个简单的例子来看看分类模型的几种不同的评价方式:Evaluating a Classification Model

基于混淆矩 阵的机器 学习分类评价指标研究及Python实践.pdf

基于混淆矩 阵的机器 学习分类评价指标研究及Python实践.pdf

基于混淆矩 阵的机器 学习分类评价指标研究及Python实践.pdf

Python朴素贝叶斯信用违约预测 ROC混淆矩阵出图

Python朴素贝叶斯信用违约预测 ROC混淆矩阵出图

Python朴素贝叶斯信用违约预测 ROC混淆矩阵出图 六维信用特征 GaussianNB 违约预测,输出 ROC、混淆矩阵与分类指标。 功能: · 六维信用特征合成 · GaussianNB 朴素贝叶斯 · ROC 曲线 · 混淆矩阵 · metrics.csv · 打包时预跑 output/preview 压缩包含可运行源码、依赖与说明,按 README 安装后即可复现。

毒蘑菇预测 机器学习(python)

毒蘑菇预测 机器学习(python)

分类任务,传统机器学习算法(代码、报告、数据集)

python数据分析与挖掘实战-第7章 模型评估.zip

python数据分析与挖掘实战-第7章 模型评估.zip

python数据分析与挖掘实战-第7章 模型评估.zip

基于混淆矩阵的机器 学习分类评价指标研究及Python实践.zip

基于混淆矩阵的机器 学习分类评价指标研究及Python实践.zip

基于混淆矩阵的机器 学习分类评价指标研究及Python实践.zip

使用 sklearn 完成对模型分类性能的评估 Educoder

使用 sklearn 完成对模型分类性能的评估 Educoder

accu\fracy_score sklearn 提供了计算准确度的接口 accu\fracy_score。其中参数如下: y_true:为样本真实标签,类型为一维的 ndarray 或者 list; y_pred:为模型预测标签,类型为一维的 ndarray 或者 list。 示例代码如下: from sklearn.metrics import accu\fracy_score precision_score sklearn 提供了计算精准率的接口 precision_score 。其中参数如下: y_true:为样本真实标签,类型为一维的 ndarray 或者 list; y_pred:

详细讲解分类模型评估

详细讲解分类模型评估

本篇博客让我们来学习分类模型评估。 涉及到的知识点有: 混淆矩阵 评估指标(正确率、准确率、召回率、调和平均值F1) ROC和AUC 那我们快开始吧! 分类模型评估1、分类模型主题:如何对分类模型进行评估目标:2、混淆矩阵3、评估指标3.1 正确率3.2 精准率3.3 召回率3.4 调和平均值F14、ROC和AUC4.1 ROC曲线如何画ROC曲线:4.2 AUC4.3 ROC曲线程序示例4.3.1 roc_curve函数的参数4.3.2 roc_curve函数的返回值4.3.3 绘制ROC曲线5、总结 1、分类模型 分类问题在我们日常生活中处处可见,比如我们对帅哥的分类,可能对帅哥分为非常

机器学习之评价分类结果

机器学习之评价分类结果

1 分类准确度及衡量指标 1.scikit-learn中的混淆矩阵,精准率,召回率 from sklearn.metrics import confusion_matrix confusion_matrix(y_test,y_log_predict) from sklearn.metrics import precision_score precision_score(y_test,y_log_predict) from sklearn.metrics import recall_score recall_score(y_test,y_log_predict) 2. F1 S

分类模型的算法性能评价原理阐述、代码实现

分类模型的算法性能评价原理阐述、代码实现

分类模型的算法性能评价详细描述,包括原理阐述、代码实现等。

pytorch 多分类问题,计算百分比操作

pytorch 多分类问题,计算百分比操作

主要介绍了pytorch 多分类问题,计算百分比操作,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

binary_classification_metrics:可视化和其他代码,用于探索二进制分类指标

binary_classification_metrics:可视化和其他代码,用于探索二进制分类指标

binary_classification_metrics 可视化和其他代码,用于探索二进制分类指标。

Machine learning evaluation metrics, implemented in Pytho

Machine learning evaluation metrics, implemented in Pytho

Machine learning evaluation metrics, implemented in Python, R, Haskell, and MATLAB Octave

最新推荐最新推荐

recommend-type

城市生命线AI智能体平台及AI大模型应用场景规划方案(决策评审版).pptx

城市生命线AI智能体平台及AI大模型应用场景规划方案(决策评审版).pptx
recommend-type

逆向破解工具,帮助解析原代码

逆向破解工具,帮助解析原代码
recommend-type

Web安全 PHP WAF 开源源码:YSL语枢-盾甲WAF v6.5.1|SQL注入/XSS拦截+文件DNA防篡改+零JS控制台+限流熔断

内容概要】本资源为 YSL语枢-盾甲WAF PHP 开源版 v6.5.1 完整源码包,与 GitHub / Gitee 仓库 main 分支同步,MIT 许可,作者 暗夜铭少。它是以 auto_prepend_file 嵌入站点自身 PHP 进程的请求内防护内核,不是独立网关,不提供 Docker 镜像,业务代码零改造。主要能力:SQL 注入 / XSS / 路径穿越 / 反序列化 / SSTI / SSRF / CRLF 等结构化检测与编码归一化、证据链仲裁(拦截带规则标识、评分、检测耗时)、离线 AI 自学习(贝叶斯 / Fisher / SimHash,不联网)、独立 CLI 的文件 DNA 防篡改、QPS 限流与保护性熔断、零 JavaScript 的中文控制台与态势大屏,以及 403 / 429 / 502 / 503 / 413 统一安全响应页。外壳(入口、配置、控制端点、页面、测试)为明文 PHP,可自由修改;core/ 与 ai/ 为 php-beast 加密发行。 【硬性依赖·避坑】必须 PHP 8.1,且网站进程(FPM)那套 PHP 要加载随包 ext/beast-8.1.so,装完重启 PHP-FPM;CLI 里 php -m 有输出不代表站点进程有,请用 FPM 同版本复验。扩展未加载或内核缺失时会返回 503 故障关闭页并明示原因,不会带病放行。部署:包放站点之外(如 /opt/ysl-waf),php install.php --check 自检,php install.php --site=/var/www/html 只写一行 .user.ini。 【适用人群】PHP 站点运维与站长、给 WordPress / 外贸独立站加请求层防护的人、Web 安全与代码审计学习者、想读一套完整 WAF 工程实现(含测试与 CI)的开发者。
recommend-type

主动配电网故障恢复的重构与孤岛划分统一模型研究升级版本(Matlab代码实现)

主动配电网故障恢复的重构与孤岛划分统一模型研究【升级版本】(Matlab代码实现)
recommend-type

awk,sed,grep

awk,sed,grep
recommend-type

LTC4350在电源并联均流技术中的应用探讨

电源技术中的基于LTC4350并联均流技术应用研究主要关注的是在多模块电源系统中的电流分配均衡问题。随着大功率电源负载需求的增长和分布式电源系统的普及,开关电源并联工作变得越来越重要。然而,不同电源模块之间存在性能差异,可能导致电流分配不均,加重某些模块的电流应力和热应力,影响系统的可靠性和效率。 LTC4350是一种自主均流控制器,它的主要任务是确保并联的电源模块间电流的均匀分布。该器件的工作原理基于感应电阻Rsense,通过监测Rsense上的电压变化来反映输出电流的大小。LTC4350内部的Isense功能将电压转换为测量电流,然后在增益电阻Rgain上形成比较电压。这个比较电压被馈送到内部的均流误差放大器E/A2,用于实时比较各个模块的电流状态。 当电源模块并联工作时,LTC4350会自动识别输出电流最大的模块为主模块,其他模块则作为从模块。主模块的电流设置为参考,从模块则调整自己的输出电流,使其与主模块保持一致,实现均流。这种方法的优势在于高精度、快速动态响应,同时易于实现冗余,增强了系统的稳定性。 在实际应用中,作者使用LTC4350设计了两个实验电源模块,并进行并联操作,进行了均流和热插拔实验,结果显示效果良好。热插拔实验验证了LTC4350在电源模块动态加入或退出系统时,仍能保持良好的电流平衡,这在实际系统中尤其重要,因为电源模块可能需要在系统运行时进行维护或替换。 此外,自主均流技术对于提高系统可靠性至关重要。它不仅避免了单个模块过载,也防止了其他模块处于轻载或空载状态,确保了每个模块的寿命和效率。这种技术的应用不仅限于大功率电源系统,也可以扩展到任何需要并联电源模块的场合,如数据中心、工业设备和电力电子系统等。 LTC4350并联均流技术是一种有效的解决方案,它解决了多模块电源系统中电流分配不均的问题,提升了系统的整体性能和可靠性。通过深入理解和应用这种技术,工程师可以设计出更稳定、更高效的电源系统,满足不断增长的大功率电源需求。
recommend-type

K8s混合架构调度生死线:arm64+amd64集群中Service Mesh自动适配的4层调度策略+2个Istio Patch(生产环境已稳定运行587天)

# K8s混合架构调度的现实困境与Service Mesh适配本质 在智能家居设备日益复杂的今天,确保无线连接的稳定性已成为一大设计挑战。而当我们把视线转向云原生基础设施,一个更隐蔽却同样严峻的问题正悄然浮现:当ARM64与AMD64异构集群从“技术尝鲜”演进为金融、边缘计算、AI推理等核心业务的生产刚需时,Kubernetes与Istio这对黄金搭档却在底层语义上出现了令人不安的断裂。 这种断裂不是配置疏漏,也不是版本兼容问题,而是架构抽象层级的根本错配——Kubernetes原生调度器仍以`label/taint`为隐式契约,缺乏对CPU架构语义的显式建模;而Istio的控制面与数据面
recommend-type

Anaconda装好后,怎么在电脑上打开Jupyter Notebook或Lab?

### 使用 Anaconda 打开 Jupyter Notebook 或 Lab #### 通过 Anaconda Prompt 启动 Jupyter Notebook 和 Jupyter Lab 为了启动 Jupyter Notebook 或者 Jupyter Lab,可以通过 Anaconda 提供的命令行工具——Anaconda Prompt 来完成。当打开 Anaconda Prompt 时,默认会进入用户的根目录,并显示 `(base)` 表明当前处于 conda 的基础环境中[^3]。 要启动 **Jupyter Notebook** ,只需在 Anaconda Promp
recommend-type

Eclipse与MyEclipse中恢复误删文件的方法

"在MyEclipse中恢复误删除的Java文件的方法" 在开发过程中,有时我们可能会不小心删除一些重要的Java文件,导致项目受到影响。MyEclipse作为一款强大的Java集成开发环境,提供了内置的本地历史记录功能,可以帮助用户恢复误删除的文件。下面将详细介绍如何在MyEclipse中进行恢复。 首先,当您发现误删了Java文件时,不要慌张,可以通过以下步骤来尝试恢复: 1. 首先,找到并右键点击项目的根目录,通常在MyEclipse的工作空间中。在弹出的菜单中选择“Restore from Local History”选项。这个功能会显示项目中被删除或修改过的文件的历史记录。 2. 在打开的“Restore from Local History”对话框中,您可以看到一系列的文件列表,这些文件都是在过去一段时间内被修改或删除的。在列表中找到您需要恢复的Java文件,例如“T1.java”或“T4.properties”。 3. 选中要恢复的文件,然后点击“Restore”按钮。MyEclipse将会把该文件从本地历史记录中恢复到项目中,文件将重新出现在原来的位置。 除了恢复整个文件外,MyEclipse还允许您恢复文件中的特定部分。例如,如果您对一个Java类(如“T1.java”)进行了修改,然后意外删除了这些修改,可以通过以下步骤恢复: 1. 打开Java源代码视图,找到该类文件。 2. 右键点击文件,在弹出的菜单中选择“Local History” -> “Show History”。这将显示文件的修改历史。 3. 在Local History视图中,您可以查看每个修改的时间戳和描述,找到误删除前的那次修改。 4. 选择那个时间点的版本,点击“Compare With” -> “Selected Resource”,这会打开一个比较视图,显示删除前的代码与当前代码的差异。 5. 在比较视图中,您可以选择性地复制需要恢复的代码段,并粘贴回当前文件。 另外,为了更好地利用本地历史记录功能,建议在MyEclipse的设置中调整Local History的相关配置。可以通过以下路径进行设置:`Window` -> `Preferences` -> `General` -> `Workspace` -> `Local History`。在这里,您可以设置本地历史记录保存的天数和文件数量,以便在需要时能找回更多的历史版本。 MyEclipse的本地历史记录功能是防止意外丢失文件的重要保障。通过合理设置和适时使用,可以有效地保护您的代码安全,避免因误操作带来的损失。在日常开发中,养成定期保存和利用本地历史记录的好习惯是非常重要的。
recommend-type

树莓派→M系列→云服务器零改造上线:微服务二进制跨架构启动失败的9大元凶与3步自动化修复流水线(GitHub Star 4.2k团队实测)

# 微服务跨架构部署的底层真相:当“一次构建、随处运行”撞上硬件的物理边界 在某个深夜的SRE值班群里,一条告警消息突然炸开:“支付服务在树莓派5集群中批量panic,错误日志显示`runtime: failed to create new OS thread`”。运维同事立刻执行`kubectl logs -f payment-7d8c9b4a5-2xqz9`,却只看到一行冰冷的堆栈——连`main()`函数都没进入。开发同学迅速翻出CI流水线记录:镜像构建成功,Docker manifest明确标注`linux/arm64`,`file`命令输出也清清楚楚写着`ELF 64-bit LS