Python中ROC曲線怎么繪制

本篇內(nèi)容介紹了“Python中ROC曲線怎么繪制”的有關(guān)知識，在實際案例的操作過程中，不少人都會遇到這樣的困境，接下來就讓小編帶領(lǐng)大家學(xué)習(xí)一下如何處理這些情況吧！希望大家仔細(xì)閱讀，能夠?qū)W有所成！

首先以支持向量機(jī)模型為例

先導(dǎo)入需要使用的包，我們將使用roc_curve這個函數(shù)繪制ROC曲線！

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函數(shù)，生成一個二分類的數(shù)據(jù)不平衡數(shù)據(jù)集；

使用train_test_split函數(shù)劃分訓(xùn)練集和測試集數(shù)據(jù)；

訓(xùn)練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')

從上面的代碼可以看到，我們使用roc_curve函數(shù)生成三個變量，分別是fpr,tpr, thresholds，也就是假正例率（FPR）、真正例率（TPR）和閾值。

而其中的fpr,tpr正是我們繪制ROC曲線的橫縱坐標(biāo)，于是我們以變量fpr為橫坐標(biāo)，tpr為縱坐標(biāo)，繪制相應(yīng)的ROC圖像如下：

值得注意的是上面的支持向量機(jī)模型使用的decision_function函數(shù)，是自己所特有的，而其他模型不能直接使用。

比如說我們想要使用其他模型（例如決策樹模型）的結(jié)果繪制ROC,直接套用上面的代碼，會報錯，會顯示沒有這個函數(shù)。

以決策樹模型為例，解決上述問題（適用于除向量機(jī)外的模型）

導(dǎo)入決策樹模型包以及訓(xùn)練模型的代碼省略了，只需要手動改一改就行了，我們直接看繪圖的代碼！

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')

可以看到我們直接把只適用于支持向量機(jī)模型的函數(shù)decision_function更改成predict_proba(X_test)[:,1]就行了，讓我們看看結(jié)果：

“Python中ROC曲線怎么繪制”的內(nèi)容就介紹到這里了，感謝大家的閱讀。如果想了解更多行業(yè)相關(guān)的知識可以關(guān)注億速云網(wǎng)站，小編將為大家輸出更多高質(zhì)量的實用文章！