绘制ROC 曲线计算 AUC PR曲线（精准率召回率）示例

#一 ROC评价及曲线 AUC的值准确率

auc 的参数来自假阳率真阳率，一般与 metrics.roc_curve配合使用，来自sklearn正规示例网站

>>> fpr, tpr, thresholds = metrics.roc_curve(y, pred, pos_label=2)
>>> metrics.auc(fpr, tpr)

colors = ['r', 'g', 'b', 'y', 'k', 'c', 'm', 'brown', 'r']
lw = 1
Cs = [1e-6, 1e-4, 1e0]

plt.figure(figsize=(12,8))
plt.xlabel('False Positive Rate')
plt.ylabel('True Positive Rate')
plt.title('ROC Curve for different classifiers')

plt.plot([0, 1], [0, 1], color='navy', lw=lw, linestyle='--')

labels = []
for idx, C in enumerate(Cs):
clf = LogisticRegression(C = C)
clf.fit(X_train, y_train)
print("C: {}, parameters {} and intercept {}".format(C, clf.coef_, clf.intercept_))
preds = clf.predict_proba(X_test)[:,1]
print("clf.predict_proba(X_test=",clf.predict_proba(X_test))
print("y_test=",y_test)
fpr, tpr, _ = roc_curve(y_test, preds)
correct_prediction = np.equal(np.round(preds), y_test)
print("准确率=",np.mean(correct_prediction))
roc_auc = auc(fpr, tpr)
plt.plot(fpr, tpr, lw=lw, color=colors[idx])
labels.append("C: {}, AUC = {}".format(C, np.round(roc_auc, 4)))

plt.legend(['random AUC = 0.5'] + labels)

#result

C:\ProgramData\Anaconda3\lib\site-packages\sklearn\linear_model\logistic.py:432: FutureWarning:Default solver will be changed to 'lbfgs' in 0.22. Specify a solver to silence this warning.

C: 1e-06, parameters [[-0.00424654 -0.00232424 -0.00354647 -0.00199886 -0.00186031]] and intercept [-0.03324687]
clf.predict_proba(X_test= [[0.50885744 0.49114256][0.50879396 0.49120604][0.50869638 0.49130362]...[0.50899422 0.49100578][0.5086329  0.4913671 ][0.50862148 0.49137852]]
y_test= 8067      0
368101    0
70497     0
226567    1
73186     1..
98574     0
334252    1
293289    0
167582    0
231389    0
Name: is_duplicate, Length: 133416, dtype: int64
准确率= 0.629422258199916

C:\ProgramData\Anaconda3\lib\site-packages\sklearn\linear_model\logistic.py:432: FutureWarning:Default solver will be changed to 'lbfgs' in 0.22. Specify a solver to silence this warning.

C: 0.0001, parameters [[-0.16061857 -0.09048901 -0.13250978 -0.07998846  0.68641435]] and intercept [-0.70401556]
clf.predict_proba(X_test= [[0.53112308 0.46887692][0.58009823 0.41990177][0.65390497 0.34609503]...[0.52987886 0.47012114][0.64214599 0.35785401][0.6472506  0.3527494 ]]
y_test= 8067      0
368101    0
70497     0
226567    1
73186     1..
98574     0
334252    1
293289    0
167582    0
231389    0
Name: is_duplicate, Length: 133416, dtype: int64
准确率= 0.629422258199916

C:\ProgramData\Anaconda3\lib\site-packages\sklearn\linear_model\logistic.py:432: FutureWarning:Default solver will be changed to 'lbfgs' in 0.22. Specify a solver to silence this warning.

C: 1.0, parameters [[-10.25339741  -0.91965268   6.77946546  -7.16268424   3.29874476]] and intercept [-1.34016168]
clf.predict_proba(X_test= [[0.24412863 0.75587137][0.49234752 0.50765248][0.85791823 0.14208177]...[0.3597533  0.6402467 ][0.81310546 0.18689454][0.8053035  0.1946965 ]]
y_test= 8067      0
368101    0
70497     0
226567    1
73186     1..
98574     0
334252    1
293289    0
167582    0
231389    0
Name: is_duplicate, Length: 133416, dtype: int64
准确率= 0.6547715416441806

Out[27]:

<matplotlib.legend.Legend at 0x2c7f8a48>

#二 PR曲线绘制代码

# precision_recall_curve 评价
pr, re, _ = precision_recall_curve(y_test, cv.best_estimator_.predict_proba(X_test)[:,1])
plt.figure(figsize=(12,8))
plt.plot(re, pr)
plt.title('PR Curve (AUC {})'.format(auc(re, pr)))
plt.xlabel('Recall')
plt.ylabel('Precision')

#result

绘制ROC 曲线计算 AUC PR曲线（精准率召回率）示例相关推荐

详解机器学习中 ROC曲线、AUC值、正确率、召回率
文章目录前言简介医学图像识别二分类问题 ROC 曲线如何画ROC曲线 AUC 前言简介在分类任务中,人们总是喜欢基于错误率来衡量分类器任务的成功程度.错误率指的是在所有测试样例中错分的样例比例 ...
分类性能度量指标：ROC曲线、AUC值、正确率、召回率、敏感度、特异度
在分类任务中,人们总是喜欢基于错误率来衡量分类器任务的成功程度.错误率指的是在所有测试样例中错分的样例比例.实际上,这样的度量错误掩盖了样例如何被分错的事实.在机器学习中,有一个普遍适用的称为混淆矩阵 ...
机器学习之分类性能度量指标 : ROC曲线、AUC值、正确率、召回率
北京 | 高性能计算之GPU CUDA课程11月24-26日3天密集学习快速带你晋级阅读全文> 在分类任务中,人们总是喜欢基于错误率来衡量分类器任务的成功程度.错误率指的是在所有测试样例中错分 ...
R语言使用pROC包绘制ROC曲线实战：roc函数计算AUC值、plot.roc函数绘制ROC曲线、添加置信区间、为回归模型中的每个因子绘制ROC曲线并在同一个图中显示出来
R语言使用pROC包绘制ROC曲线实战:roc函数计算AUC值.plot.roc函数绘制ROC曲线.添加置信区间.为回归模型中的每个因子绘制ROC曲线并在同一个图中显示出来目录
分类算法的评价指标-混淆矩阵，精准率召回率，pr曲线，roc曲线等
文章目录前言一.混淆矩阵(confusion matrix)? 二.精准率和召回率 1.精准率 2.召回率 3.自己实现精准率和召回率以及混淆矩阵 4.sklearn中的精准率召回率以及混淆矩阵 ...
机器学习中精准率/召回率/PR曲线/AUC-ROC曲线等概念
目录 TP/TN/FP/FN accuracy(准确率) precision(精确率/查准率) recall(召回率/查全率) F1分数与Fβ分数 PR曲线(precision recall curv ...
【机器学习入门】(13) 实战：心脏病预测，补充: ROC曲线、精确率--召回率曲线，附python完整代码和数据集
各位同学好,经过前几章python机器学习的探索,想必大家对各种预测方法也有了一定的认识.今天我们来进行一次实战,心脏病病例预测,本文对一些基础方法就不进行详细解释,有疑问的同学可以看我前几篇机器学习 ...
图像分类图像分割的评价指标（混淆矩阵正确率精准率召回率 F1分数 IOU dice系数）
在图像分类或者图像分割中,为评价模型的预测效果,在训练过程中通常需要比较预测值与真实标签值的差距,即误差. 目录图像分类过程的评价指标混淆矩阵正确率/准确率精准率召回率 F1分数图像分割过 ...
机器学习中绘制（多标签）PR曲线和F1-score【转载】
参考:PR曲线和F1-score 评价指标相关 - 知乎 sklearn官方文档:Precision-Recall - scikit-learn 1.0.2 documentation 多标签设置中的 ...

绘制ROC 曲线计算 AUC PR曲线（精准率召回率）示例

绘制ROC 曲线计算 AUC PR曲线（精准率召回率）示例相关推荐

最新文章

热门文章

绘制ROC 曲线 计算 AUC PR曲线（精准率 召回率）示例

绘制ROC 曲线 计算 AUC PR曲线（精准率 召回率）示例相关推荐

最新文章

热门文章

绘制ROC 曲线计算 AUC PR曲线（精准率召回率）示例

绘制ROC 曲线计算 AUC PR曲线（精准率召回率）示例相关推荐