python将sklearn的RocCurveDisplay结果与PrecisionRecallDisplay结果合成为一个图

#模型构建

#PrecisionRecallDisplay来可视化PR曲线

#RocCurveDisplay来可视化ROC曲线

#RocCurveDisplay结果与PrecisionRecallDisplay结果合成为一个图

#模型构建

print(__doc__)
from sklearn.datasets import fetch_openml
from sklearn.preprocessing import StandardScaler
from sklearn.pipeline import make_pipeline
from sklearn.linear_model import LogisticRegression
from sklearn.model_selection import train_test_splitX, y = fetch_openml(data_id=1464, return_X_y=True)
X_train, X_test, y_train, y_test = train_test_split(X, y, stratify=y)clf = make_pipeline(StandardScaler(), LogisticRegression(random_state=0))
clf.fit(X_train, y_train)

#PrecisionRecallDisplay来可视化PR曲线

from sklearn.metrics import precision_recall_curve
from sklearn.metrics import PrecisionRecallDisplayprec, recall, _ = precision_recall_curve(y_test, y_score,pos_label=clf.classes_[1])
pr_display = PrecisionRecallDisplay(precision=prec, recall=recall).plot()

#RocCurveDisplay来可视化ROC曲线

from sklearn.metrics import precision_recall_curve
from sklearn.metrics import PrecisionRecallDisplayprec, recall, _ = precision_recall_curve(y_test, y_score,pos_label=clf.classes_[1])
pr_display = PrecisionRecallDisplay(precision=prec, recall=recall).plot()

#RocCurveDisplay结果与PrecisionRecallDisplay结果合成为一个图

import matplotlib.pyplot as plt
fig, (ax1, ax2) = plt.subplots(1, 2, figsize=(12, 8))roc_display.plot(ax=ax1)
pr_display.plot(ax=ax2)
plt.show()

参考：RocCurveDisplay

参考：受试者工作特征曲线 (receiver operating characteristic curve,简称ROC曲线)

python将sklearn的RocCurveDisplay结果与PrecisionRecallDisplay结果合成为一个图相关推荐

python使用sklearn的RocCurveDisplay来可视化ROC曲线（受试者工作特征曲线）
python使用sklearn的RocCurveDisplay来可视化ROC曲线(受试者工作特征曲线) 目录 python使用sklearn的RocCurveDisplay来可视化ROC曲线(受试者工 ...
python使用sklearn的PrecisionRecallDisplay来可视化PR曲线
python使用sklearn的PrecisionRecallDisplay来可视化PR曲线目录 python使用sklearn的PrecisionRecallDisplay来可视化PR曲线 #模型 ...
python使用sklearn中的make_blobs函数生成聚类（clustering）分析需要的仿真数据、matplotlib可视化生成的仿真数据
python使用sklearn中的make_blobs函数生成聚类(clustering)分析需要的仿真数据.matplotlib可视化生成的仿真数据目录
python使用sklearn中的make_classification函数生成分类模型（classification）需要的仿真数据、使用pandas查看生成数据的特征数据、目标数据
python使用sklearn中的make_classification函数生成分类模型(classification)需要的仿真数据.使用pandas查看生成数据的特征数据(features).目标 ...
Python使用sklearn和statsmodels构建多元线性回归模型（Multiple Linear Regression）并解读
Python使用sklearn和statsmodels构建多元线性回归模型(Multiple Linear Regression)并解读 #仿真数据集(预测股票指数) 这里的目标是根据两个宏观经济变量 ...
Python使用sklearn构建lasso回归模型并指定样本权重：即构建带样本权重（sample_weight）的回归模型
Python使用sklearn构建lasso回归模型并指定样本权重:即构建带样本权重(sample_weight)的回归模型目录
Python使用sklearn构建广义线性模型：泊松回归（Poisson regression）实战
Python使用sklearn构建广义线性模型:泊松回归(Poisson regression)实战目录 Python使用sklearn构建广义线性模型:泊松回归(Poisson regressio ...
Python使用sklearn构建广义线性模型：gamma回归（Gamma regression）实战
Python使用sklearn构建广义线性模型:gamma回归(Gamma regression)实战目录 Python使用sklearn构建广义线性模型:gamma回归(Gamma regress ...
Python使用sklearn构建ElasticNet回归模型并指定样本权重：即构建带样本权重（sample_weight）的回归模型
Python使用sklearn构建ElasticNet回归模型并指定样本权重:即构建带样本权重(sample_weight)的回归模型目录

python将sklearn的RocCurveDisplay结果与PrecisionRecallDisplay结果合成为一个图

python将sklearn的RocCurveDisplay结果与PrecisionRecallDisplay结果合成为一个图

#模型构建

#PrecisionRecallDisplay来可视化PR曲线

#RocCurveDisplay来可视化ROC曲线

#RocCurveDisplay结果与PrecisionRecallDisplay结果合成为一个图

python将sklearn的RocCurveDisplay结果与PrecisionRecallDisplay结果合成为一个图相关推荐

最新文章

热门文章