2.3 sklearn中的metrics.roc

文章目录

1.案例
2.y_score讨论
- 1)y_score是标签数据
- 2）y_score是概率值

from sklearn.metrics import roc_curveroc_curve(y_true, y_score, *, pos_label=None, sample_weight=None,drop_intermediate=True)- Parameters(参数)y_true : ndarray of shape (n_samples,)二进制标签,真实数据结果;如果标签既不是{-1，1}也不是{0，1}，则应该明确给出pos_labely_score : ndarray of shape (n_samples,)预测结果数据，可以是标签数据也可以是概率值；与y_true形状一致pos_label : int or str, default=None正类的标签。当pos_label=None时，如果y_true在{- 1,1}或{0,1}中，则将pos_label设置为1，否则将引发错误    sample_weight : array-like of shape (n_samples,), default=None样本权重drop_intermediate : bool, default=True是否降低一些不会出现在绘制的ROC曲线上的非最佳阈值- Returns(返回)fpr——假正率tpr——召回率threshold——阈值

1.案例

>>> import numpy as np
>>> from sklearn import metrics
>>> y = np.array([1, 1, 2, 2])
>>> scores = np.array([0.1, 0.4, 0.35, 0.8])
>>> fpr, tpr, thresholds = metrics.roc_curve(y, scores, pos_label=2)
>>> fpr
array([0. , 0. , 0.5, 0.5, 1. ])
>>> tpr
array([0. , 0.5, 0.5, 1. , 1. ])
>>> thresholds
array([1.8 , 0.8 , 0.4 , 0.35, 0.1 ])

2.y_score讨论

1)y_score是标签数据

# y_score是标签数据
import numpy as np
from sklearn.metrics import roc_curvey_true = np.array([0, 1, 1, 0])
y_score = np.array([0, 1, 0, 0])
fpr, tpr, threshold = roc_curve(y_true, y_score)
print('fpr=', fpr)
print('tpr=', tpr)
print('threshold=', threshold)# fpr= [0. 0. 1.]
# tpr= [0.  0.5 1. ]
# threshold= [2 1 0]

threshold返回结果是y_score内的元素去重后加入’最大值+1’的值，然后降序排序后组成的数据，每一个元素为一个阈值
tpr与fpr为在不同阈值下的值.当阈值为2时，y_score = np.array([0, 0, 0, 0])；此时，TP=0,FP=0,故，tpr=0/2=0，fpr=0/2=0。其余的同理

2）y_score是概率值

# y_score是概率数据
import numpy as np
from sklearn.metrics import roc_curvey_true = np.array([0, 1, 1, 0])
y_score = np.array([0.1, 0.3, 0.6, 0.8])
fpr, tpr, thresholds = roc_curve(y_true, y_score)
print('fpr=', fpr)
print('tpr=', tpr)
print('threshold=', thresholds)# fpr= [0.  0.5 0.5 1. ]
# tpr= [0. 0. 1. 1.]
# threshold= [1.8 0.8 0.3 0.1]

threshold返回结果自己对应理解
当以0.8为阈值时，即y_score中大于等于0.8的为阳性(1)，其余的为阴性(0) = >y_score=[0,0,0,1];tpr=0/2=0，fpr=1/2=0.5。其余同理。

2.3 sklearn中的metrics.roc_curve评价指标相关推荐

sklearn中的metrics.roc_auc_score评价指标
参数说明 from sklearn.metrics import roc_auc_score roc_auc_score(y_true, y_score, *, average='macro', sa ...
sklearn中的metrics
文章目录 MSE 交叉验证准确率.精度.召回率.F1.AUC 准确率混淆矩阵精度.召回率.F1 ROC & AUC 阈值衡量.ROC曲线阈值选择 ROC曲线多分类的metrix问题, ...
sklearn.metrics.roc_curve
官方网址:http://scikit-learn.org/stable/modules/classes.html#module-sklearn.metrics 首先认识单词:metrics: ['mɛ ...
sklearn.metrics.roc_curve解析
官方网址:http://scikit-learn.org/stable/modules/classes.html#module-sklearn.metrics 首先认识单词:metrics: ['m ...
sklearn.metrics.roc_curve使用简要说明
sklearn.metrics.roc_curve使用简要说明一.背景说明二.TP.TN.FP.FN概念四.roc_curve运行机制简单剖析 4.1.roc_curve简单介绍 4.1.1 重 ...
sklearn中的支持向量机SVM（下）
1 二分类SVC的进阶 1.1 SVC用于二分类的原理复习 sklearn中的支持向量机SVM(上) 1.2 参数C的理解进阶有一些数据,可能是线性可分的,但在线性可分状况下训练准确率不能达到100 ...
02_混淆矩阵、准确率（Accuracy）、精确率(Precision)、召回率(Recall)、F值(F-Measure) +Roc曲线和PR曲线+sklearn中分类模型评估API+ 自己补充整理
此博文参考: 关于ROC绘制参考博文: https://blog.csdn.net/u011630575/article/details/80250177 Python+ROC相关的博文: https ...
sklearn中的聚类算法K-Means
1 概述 1.1 无监督学习与聚类算法决策树.随机森林.逻辑回归虽然有着不同的功能,但却都属于"有监督学习"的一部分,即是说,模型在训练的时候,既需要特征矩阵XXX,也需要真实标 ...
sklearn中一些参数
转载:http://www.cnblogs.com/chenyaling/p/7826229.html 1.监督学习 1.1.广义线性模型 1.1.1.普通最小二乘法 class sklearn.l ...
curve函数 roc_sklearn.metrics.roc_curve使用说明
roc曲线是机器学习中十分重要的一种学习器评估准则,在sklearn中有完整的实现,api函数为sklearn.metrics.roc_curve(params)函数. 不过这个接口只限于进行二分类任 ...

2.3 sklearn中的metrics.roc_curve评价指标

文章目录

1.案例

2.y_score讨论

1)y_score是标签数据

2）y_score是概率值

2.3 sklearn中的metrics.roc_curve评价指标相关推荐

最新文章

热门文章