机器学习西瓜书-代价曲线

最新推荐文章于 2023-10-27 01:53:06 发布

GinXiao

最新推荐文章于 2023-10-27 01:53:06 发布

阅读量1.7k

点赞数 1

文章标签：机器学习

本文链接：https://blog.csdn.net/GinGin1968274261/article/details/123962279

版权

机器学习代价曲线作业题目：
二分类问题，0为正类，1为负类，预测正类的概率如下表。非均等代价，代价矩阵为cost01=1, cost10=20，costii=0（i=0，i=1）。请画出期望总体代价。（编程实现）

#计算期望总代价
#0为正类/1为负类
label=  [0,0,1,0,0,0,1,1,0,1,0,1,0,1,1,1,0,1,0,1]
score=[0.9,0.8,0.7,0.6,0.55,0.54,0.53,0.52,0.51,0.505,0.4,0.39,0.38,0.37,0.36,0.35,0.34,0.33,0.30,0.1]
#计算TPR/FRP 绘制ROC曲线
#以score作为阈值 然后进行分类 计算得到TPR/FPR 从而得到FNR/FPR
#首先1个循环是用于确定阈值
#另一个循环是用于遍历score 确定预测标签
#然后计算每次循环的TPR/FPR/FNR
#定义一个函数方便计算
def cost_curve_FPR_FNR(true,predict):
    count=len(predict)
    true_1=sum(true)        
    true_0=count-true_1   
    TP=0
    FP=0
    for i in range(count):
        if predict[i]==true[i] and predict[i]==0:
            TP+=1
        elif predict[i]!=true[i] and predict[i]==0:
            FP+=1     
    TPR = TP/true_0
    FNR = 1- TPR#假反率
    FPR = FP/true_1
    return TPR,FPR,FNR

#计算TPR/FPR/FNR的数列
count=len(score)
TPR_array=[]
FPR_array=[]
FNR_array=[]
for i in range(count):
    predict=[]
    for j in range(count):
        if score[j]>=score[i]:
            predict.append(0)
        else:
            predict.append(1)
    TPR,FPR,FNR= cost_curve_FPR_FNR(label,predict)
    TPR_array.append(TPR)
    FPR_array.append(FPR)
    FNR_array.append(FNR)
    
#绘制图片
import matplotlib.pyplot as plt
import numpy as np
fig,axis = plt.subplots(1,2,figsize = (15,6))
axis = axis.ravel()
axis[0].plot(FPR_array,TPR_array,'r')
axis[0].set_title('ROC Curve')
axis[0].set_xlabel('FPR')
axis[0].set_ylabel('TPR')
axis[1].plot((0,1),(FPR_array,FNR_array),'b')
axis[1].set_title('Cost Curve')
axis[1].set_xlabel('FPR')
axis[1].set_ylabel('FNR')

最终结果图如下：