锐客网

  1. 首页 > 睿知 > it技术 > >

roc值函数python python ros

IT技术模型

python 怎么画与其他方法进行比较的ROC曲线？使用sklearn的一系列方法后可以很方便的绘制处ROC曲线，这里简单实现以下 。
主要是利用混淆矩阵中的知识作为绘制的数据（如果不是很懂可以先看看这里的基?。?
tpr(Ture Positive Rate)：真阳率图像的纵坐标
fpr(False Positive Rate)：阳率（伪阳率）图像的横坐标
mean_tpr：累计真阳率求平均值
mean_fpr：累计阳率求平均值
import numpy as np
import matplotlib.pyplot as plt
from sklearn import svm, datasets
from sklearn.metrics import roc_curve, auc
from sklearn.model_selection import StratifiedKFold
iris = datasets.load_iris()
X = iris.data
y = iris.target
X, y = X[y != 2], y[y != 2]# 去掉了label为2，label只能二分 ， 才可以 。
n_samples, n_features = X.shape
# 增加噪声特征
random_state = np.random.RandomState(0)
X = np.c_[X, random_state.randn(n_samples, 200 * n_features)]
cv = StratifiedKFold(n_splits=6)#导入该模型，后面将数据划分6份
classifier = svm.SVC(kernel='linear', probability=True,random_state=random_state)# SVC模型 可以换作AdaBoost模型试试
# 画平均ROC曲线的两个参数
mean_tpr = 0.0# 用来记录画平均ROC曲线的信息
mean_fpr = np.linspace(0, 1, 100)
cnt = 0
for i, (train, test) in enumerate(cv.split(X,y)):#利用模型划分数据集和目标变量 为一一对应的下标
cnt +=1
probas_ = classifier.fit(X[train], y[train]).predict_proba(X[test]) # 训练模型后预测每条样本得到两种结果的概率
fpr, tpr, thresholds = roc_curve(y[test], probas_[:, 1])# 该函数得到伪正例、真正例、阈值，这里只使用前两个
mean_tpr += np.interp(mean_fpr, fpr, tpr)# 插值函数 interp(x坐标,每次x增加距离,y坐标)累计每次循环的总值后面求平均值
mean_tpr[0] = 0.0# 将第一个真正例=0 以0为起点
roc_auc = auc(fpr, tpr)# 求auc面积
plt.plot(fpr, tpr, lw=1, label='ROC fold {0:.2f} (area = {1:.2f})'.format(i, roc_auc))# 画出当前分割数据的ROC曲线
plt.plot([0, 1], [0, 1], '--', color=(0.6, 0.6, 0.6), label='Luck') # 画对角线
mean_tpr /= cnt# 求数组的平均值
mean_tpr[-1] = 1.0# 坐标最后一个点为（1,1）以1为终点
mean_auc = auc(mean_fpr, mean_tpr)
plt.plot(mean_fpr, mean_tpr, 'k--',label='Mean ROC (area = {0:.2f})'.format(mean_auc), lw=2)
plt.xlim([-0.05, 1.05])# 设置x、y轴的上下限，设置宽一点，以免和边缘重合，可以更好的观察图像的整体
plt.ylim([-0.05, 1.05])
plt.xlabel('False Positive Rate')
plt.ylabel('True Positive Rate')# 可以使用中文 ， 但需要导入一些库即字体
plt.title('Receiver operating characteristic example')
plt.legend(loc="lower right")
plt.show()
python如何掉包实现ROC1、sklearn里有现成的函数计算ROC曲线坐标点 。
2、把随机生成的置信度只保留小数点后一位，那么数据里有很多相同置信度的值，就可以实现ROC 。
求python写的随机森林的roc代码随机森林在R packages和Python scikit-learn中的实现是当下非常流行的 ， 下列是在R和Python中载入随机森林模型的具体代码：
Python
#Import Library
fromsklearn.ensemble import RandomForestClassifier #use RandomForestRegressor for regression problem
#Assumed you have, X (predictor) and Y (target) for training data set and x_test(predictor) of test_dataset
# Create Random Forest object
model= RandomForestClassifier(n_estimators=1000)
# Train the model using the training sets and check score
model.fit(X, y)
#Predict Output
predicted= model.predict(x_test)
R Code
library(randomForest)
x- cbind(x_train,y_train)
# Fitting model

推荐阅读


上一篇：索尼xzp用什么cpu，索尼xzp用什么内存卡

下一篇：登封移动DNS服务器，河南 移动 dns