ROC曲线绘制（Python）

首先以支持向量机模型为例

先导入需要使用的包，我们将使用roc_curve这个函数绘制ROC曲线！

from sklearn.svm import SVC
from sklearn.metrics import roc_curve
from sklearn.datasets import make_blobs
from sklearn. model_selection import train_test_split
import matplotlib.pyplot as plt
%matplotlib inline

然后使用下面make_blobs函数，生成一个二分类的数据不平衡数据集；

使用train_test_split函数划分训练集和测试集数据；

训练SVC模型。

X,y = make_blobs(n_samples=(4000,500), cluster_std=[7,2], random_state=0)X_train,X_test,y_train, y_test = train_test_split(X,y,random_state=0)clf = SVC(gamma=0.05).fit(X_train, y_train)

fpr,tpr, thresholds = roc_curve(y_test,clf.decision_function(X_test))plt.plot(fpr,tpr,label='ROC')plt.xlabel('FPR')
plt.ylabel('TPR')

从上面的代码可以看到，我们使用roc_curve函数生成三个变量，分别是fpr,tpr, thresholds，也就是假正例率（FPR）、真正例率（TPR）和阈值。

而其中的fpr,tpr正是我们绘制ROC曲线的横纵坐标，于是我们以变量fpr为横坐标，tpr为纵坐标，绘制相应的ROC图像如下：

值得注意的是上面的支持向量机模型使用的decision_function函数，是自己所特有的，而其他模型不能直接使用。

比如说我们想要使用其他模型（例如决策树模型）的结果绘制ROC,直接套用上面的代码，会报错，会显示没有这个函数。

以决策树模型为例，解决上述问题（适用于除向量机外的模型）

导入决策树模型包以及训练模型的代码省略了，只需要手动改一改就行了，我们直接看绘图的代码！

fpr,tpr, thresholds = roc_curve(y_test,clf.predict_proba(X_test)[:,1])plt.plot(fpr,tpr,label='ROC')plt.xlabel('FPR')
plt.ylabel('TPR')

可以看到我们直接把只适用于支持向量机模型的函数decision_function更改成predict_proba(X_test)[:,1]就行了，让我们看看结果：

可以看到哈，决策树模型在这个数据集上的泛化能力不如支持向量机哈！！！学废了吗。

更好看的画法

auc = roc_auc_score(y_test,clf.predict_proba(X_test)[:,1])
# auc = roc_auc_score(y_test,clf.decision_function(X_test))
fpr,tpr, thresholds = roc_curve(y_test,clf.decision_function(X_test))
plt.plot(fpr,tpr,color='darkorange',label='ROC curve (area = %0.2f)' % auc)
plt.plot([0, 1], [0, 1], color='navy', lw=2, 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.savefig('suhan.jpg',dpi=800)
plt.show()

ROC曲线绘制（Python）相关推荐

python 将多个模型的ROC曲线绘制在一张图里（含图例）
一. 多条ROC曲线绘制函数 def multi_models_roc(names, sampling_methods, colors, X_test, y_test, save=True, dpin ...
多分类问题的ROC曲线绘制
多分类问题的ROC曲线绘制目录多分类问题的ROC曲线绘制 #roc曲线 (1)ROC曲线图中的四个点
r roc曲线语言_R语言系列6：生存分析中多重时间依赖性ROC曲线绘制 timeROC
上一篇文章,我们讲到R语言实现Cox回归生存预测模型构建,以及如何将Logistic回归中,多条ROC曲线绘制在一个图里今天主要围绕生存分析中,预测模型验证部分,如何将多条time-depend e ...
roc曲线spss怎么做_SPSS单因素ROC曲线及多因素联合诊断ROC曲线绘制（原创手把手） - 医学统计和生物统计讨论版 -丁香园论坛...
最近被好几个师弟师妹问到ROC曲线的绘制,尤其是多因素联合诊断ROC曲线的绘制(如下图这样的怎么做),所以干脆好好总结一下: 一.单因素ROC曲线其实这个最简单,估计很多人也会,我知道的有两种办法, ...
ROC曲线绘制原理即AUC的意义详解
云走雾走走行程,救苦救难救灾星有求必应,出古洞四海扬名,在深山修真养性 ROC曲线绘制原理即AUC意义详解 ROC曲线绘制原理 ROC曲线常常用来判定一个分类器的分类效果,想要探究ROC曲线的绘制原 ...
机器学习之支持向量机SVM之python实现ROC曲线绘制（二分类和多分类）
目录一.ROC曲线二.TP.FP.TN.FN 三. python绘制ROC曲线(二分类) 1.思路 2.关键代码 3.完整代码四. python绘制ROC曲线(多分类) 五.参考文献一.ROC ...
python画roc曲线需要什么数据,Python ROC曲线绘制
一.混淆矩阵分类问题中,不管建模人员使用什么模型都难以到达100%的预测准确率,所以人们普遍使用分类错误率来衡量一个模型的优劣.但是在实际生产过程中分类问题经常存在样本不均衡问题,所以仅仅使用错误率 ...
机器学习性能度量(1)：P-R曲线与ROC曲线，python sklearn实现
最近做实验要用到性能度量的东西,之前学习过现在重新学习并且实现一下. 衡量模型泛化能力的评价标准,这就是性能度量.性能度量反应了任务需求,在对比不同模型的能力时,使用不同的性能度量往往会导致不同的评判 ...
ROC曲线绘制（详细）以及模型选择
在我们在讲解ROC曲线之前首先要明确混淆矩阵的概念如下图: 真正率 TPR:预测为正例且实际为正例的样本占所有正例样本(真实结果为正样本)的比例. 假正率 FPR:预测为正例但实际为负例的样本占所 ...

ROC曲线绘制（Python）

更好看的画法

ROC曲线绘制（Python）相关推荐

最新文章

热门文章