分类模型的评测指标

用户11414625

发布于 2024-12-20 16:08:08

5200

代码可运行

文章被收录于专栏：生信星球520生信星球520

运行总次数：0

代码可运行

娃感冒了，把我传染了，他好了，我还没好O(∩_∩)O，请了两天直播课的假，带娃也被妈妈和老公全权承包，当了两天幸福的废物。今天开始复工复产咯，小朋友们珍惜你们的假期，明天还剩最后一天咯。

1.逻辑回归

逻辑回归用于分类问题，输出结果是概率

如果概率p>0.5,则模型预测数据标签为1

如果概率p<0.5,则模型预测数据标签为0

(代码接上一篇)

from sklearn.linear_model import LogisticRegression
logreg = LogisticRegression()
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3,random_state=42)
logreg.fit(X_train, y_train)
y_pred = logreg.predict(X_test)
y_pred_probs = logreg.predict_proba(X_test)[:, 1]
print(y_pred_probs[0])

0.20665323740381789

概率的阈值时0.5 ，不特定于逻辑回归，KNN也有阈值。如果改变阈值会发生什么？

2.ROC曲线

随着阈值的变化，混淆矩阵的每个数值都在发生变化，那么TPR和FPR也在变化，所以可以画出一条曲线。

#ROC曲线
from sklearn.metrics import roc_curve
import matplotlib.pyplot as plt
fpr, tpr, thresholds = roc_curve(y_test, y_pred_probs)
plt.plot([0, 1], [0, 1], 'k--')
plt.plot(fpr, tpr)
plt.xlabel('False Positive Rate')
plt.ylabel('True Positive Rate')
plt.title('Logistic Regression ROC Curve')
plt.show()
from sklearn.metrics import roc_auc_score
print(roc_auc_score(y_test, y_pred_probs))