受試者工作特征（Receiver Operating Characteristic，ROC）的基本知識(shí)

• ROC曲線可以用來(lái)評(píng)估分類器的輸出質(zhì)量。
• ROC曲線Y軸為真陽(yáng)性率，X軸為假陽(yáng)性率。這意味著曲線的左上角是“理想”點(diǎn)——假陽(yáng)性率為0，真陽(yáng)性率為1。
• 上述的理想情況實(shí)際中很難存在，但它確實(shí)表示面積下曲線(AUC)越大通常分類效率越好。
• ROC曲線的“陡度”也很重要，坡度越大，則越有降低假陽(yáng)性率，升高真陽(yáng)性率的趨勢(shì)。
• ROC曲線通常用于二元分類中研究分類器的輸出（也可在多分類中使用，需要對(duì)標(biāo)簽進(jìn)行二值化【比如ABC三類，進(jìn)行分類時(shí)將標(biāo)簽進(jìn)行二值化處理[A(1)、BC(0)】、【B(1)、AC(0)】、【C(1)、AB(0)】，比如本文不作討論）。

python 實(shí)現(xiàn)

• 繪制ROC曲線主要基于python 的sklearn庫(kù)中的兩個(gè)函數(shù)，roc_curv和auc兩個(gè)函數(shù)。
• roc_curv 用于計(jì)算出fpr（假陽(yáng)性率）和tpr（真陽(yáng)性率）
• auc用于計(jì)算曲線下面積，輸入為fpr、和tpr

roc_curv函數(shù)詳解

• roc_curve(y_true, y_score, pos_label=None, sample_weight=None,drop_intermediate=True)
• 輸入值
• y_true ：一個(gè)和樣本數(shù)量一致的一維向量，數(shù)據(jù)是正確的二元標(biāo)簽。如果標(biāo)簽不是{- 1,1}或{0,1}，則可以顯式指定pos_label。
• y_score:一個(gè)樣本數(shù)量一致的一維向量，目標(biāo)分?jǐn)?shù)可以是陽(yáng)性類的概率估計(jì)、置信度值或決策的非閾值度量(在某些分類器上由“decision_function”返回，比如SVM)。簡(jiǎn)單的理解就是對(duì)測(cè)試集進(jìn)行分類后得到的一個(gè)用于衡量該類是陽(yáng)性還是陰性的分?jǐn)?shù)度量，分類器也是根據(jù)這個(gè)分?jǐn)?shù)來(lái)判斷測(cè)試集是陽(yáng)性樣本還是陰性樣本，因此通常都可以在分類器的中間過(guò)程拿到這個(gè)分?jǐn)?shù)。
• pos_label：樣本標(biāo)簽，如果y_true不滿足{0,1},{-1,1}標(biāo)簽時(shí)則需要通過(guò)該參數(shù)指定那些是陽(yáng)性樣本，其余的則為陰性樣本，默認(rèn)不輸入。
• sample_weight：一個(gè)樣本數(shù)量一致的一維向量，指定每個(gè)樣本的權(quán)重，默認(rèn)不輸入。
• drop_intermediate：為true時(shí)(默認(rèn)= True)會(huì)刪除一些不會(huì)出現(xiàn)在ROC曲線上的次優(yōu)閾值。
• 返回值
• fpr:假陽(yáng)性率序列，數(shù)量與thread一致的一維向量。
• tpr:真陽(yáng)性率序列，數(shù)量與thread一致的一維向量。
• thread:該序列是一個(gè)遞減序列，在每一個(gè)閾值下對(duì)y_score進(jìn)行劃分，大于的視為陽(yáng)性，小于的視為陰性，從而計(jì)算出該閾值下的fpr。

代碼示例

# 導(dǎo)包
import numpy as np
import matplotlib.pyplot as plt
from sklearn.metrics import roc_curve, auc
# 計(jì)算
fpr, tpr, thread = roc_curve(y_test, y_score)
roc_auc[i] = auc(fpr, tpr)
# 繪圖
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()

y_test 數(shù)據(jù)示例：

0 0 1 0 1 0 1 0 0 0 0 0 0 0 0 1 0 0 1 1

y_score:數(shù)據(jù)示例：

-0.763011 -0.202245 0.118015 -0.907809 -0.0111619 -0.604873 0.0228349 -0.610769 -0.375728
 -0.470174 -0.422242 -0.335587 -0.227239 -0.0785673  -0.533834 0.121637 -0.713569 -0.551115 
 0.379913 -0.111076

更多SVM及ROC的介紹見(jiàn)文章：

python基于sklearn的SVM和留一法（LOOCV）進(jìn)行二分類
python:Sklearn SVM使用留一法時(shí)如何繪制ROC曲線與計(jì)算AUC

到此這篇關(guān)于python繪制ROC曲線的示例代碼的文章就介紹到這了,更多相關(guān)python繪制ROC曲線內(nèi)容請(qǐng)搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持腳本之家！

最新評(píng)論