Python绘制ROC曲线

算法与编程之美

发布于 2024-07-05 14:14:38

1800

发布于 2024-07-05 14:14:38

文章被收录于专栏：算法与编程之美

1 问题

如何利用python设计程序，绘制ROC曲线。

2 方法

绘制ROC曲线主要基于python 的sklearn库中的两个函数，roc_curv和auc两个函数。roc_curv 用于计算出fpr（假阳性率）和tpr（真阳性率）auc用于计算曲线下面积，输入为fpr、和tpr

代码清单 1

# 导包
import numpy as np
import matplotlib.pyplot as plt
from sklearn.metrics import roc_curve, auc

# 计算
fpr, tpr, thread = roc_curve(y_test, y_score)
roc_auc[i] = auc(fpr, tpr)
# 绘图
plt.figure()
lw = 2
plt.plot(fpr, tpr, color='darkorange',
         lw=lw, label='ROC curve (area = %0.2f)' % roc_auc)
plt.plot([0, 1], [0, 1], color='navy', lw=lw, 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('roc.png',)
plt.show()

3 结语

本文介绍了用python实现绘制ROC曲线，并且进行了拓展，使该程序能应用于更多相似的问题。ROC曲线可以用来评估分类器的输出质量。 ROC曲线Y轴为真阳性率，X轴为假阳性率。这意味着曲线的左上角是“理想”点——假阳性率为0，真阳性率为1。上述的理想情况实际中很难存在，但它确实表示面积下曲线(AUC)越大通常分类效率越好。 ROC曲线的“陡度”也很重要，坡度越大，则越有降低假阳性率，升高真阳性率的趋势。 ROC曲线通常用于二元分类中研究分类器的输出（也可在多分类中使用，需要对标签进行二值化【比如ABC三类，进行分类时将标签进行二值化处理[A(1)、BC(0)】、【B(1)、AC(0)】

本文参与腾讯云自媒体同步曝光计划，分享自微信公众号。

原始发表：2024-07-03，如有侵权请联系 cloudcommunity@tencent.com 删除

python