Python中ROC曲线绘制

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。

我可以失败，但绝不会认输！

到此这篇关于python中roc曲线绘制的文章就介绍到这了,更多相关python roc曲线绘制内容请搜索www.887551.com以前的文章或继续浏览下面的相关文章希望大家以后多多支持www.887551.com！