분류 전체보기
-
이미지에서 black border 제거하기컴퓨터 비젼(Computer Vision) 2021. 8. 2. 09:31
image = read_img(i) temp_image = image threshold = 0 rows = np.where(np.max(temp_image, 0) > threshold)[0] if rows.size: cols = np.where(np.max(temp_image, 1)>threshold)[0] image = image[cols[0]:cols[-1]+1, rows[0]:rows[-1]+1] else: image = image[:1, :1] return image threshold를 통해 허용 가능한 pixel 조절 가능
-
pip 끊김없이 패키지 설치/다운로드 하기카테고리 없음 2021. 3. 22. 14:17
다양한 패키지에서 필요로 하는 라이브러리를 모아놓은 requriements.txt를 pip에서 설치하다가 실패하면 더이상 진행이 안된다. 이를 해결하기 위해선 하나의 라이브러리 당 하나의 pip install/download를 요청해야 한다. 윈도우의 경우 Python 코드 import sys from pip._internal import main as pip_main def install(package): pip_main(['install', package]) if __name__ == '__main__': with open(sys.argv[1]) as f: for line in f: install(line) 명령 프롬프트 FOR /F %k in (requirements.txt) DO pip insta..
-
Cross validation에서 ROC AUC 구하기라이브러리/Scikit-learn 2021. 2. 14. 20:44
StratifiedKFold을 통해 cross validation할 데이터 생성 from sklearn.linear_model import LogisticRegression from sklearn.model_selection import cross_val_score, StratifiedKFold cv = StratifiedKFold(n_splits=5,shuffle=False) 각 cv별 fpr(False Positive Rate), tpr(True Positive Rate) 및 auc(Area under the ROC Curve) 계산 및 평균 계산 logit = LogisticRegression(fit_intercept=True) tprs = [] aucs = [] mean_fpr_lr = np.li..
-
Cross validation에서 Confusion Matrix을 Metric으로 사용하기라이브러리/Scikit-learn 2021. 2. 14. 20:24
여기서 clf는 model, x는 학습 데이터, y는 x의 label 대신 from sklearn.model_selection import cross_val_predict from sklearn.metrics import confusion_matrix y_pred = cross_val_predict(clf, X, y, cv=5) conf_mat = confusion_matrix(y, y_pred) 이 값을 시각화 하는 방법은 다음과 같다. from sklearn.model_selection import cross_val_predict from sklearn.metrics import confusion_matrix from sklearn.metrics import ConfusionMatrixDisplay ..