sklearn中的ROC和AUC曲线(roc和auc曲线只是用于二分类问题。)

灰太狼家的小鸭子

已于 2023-03-28 19:18:34 修改

阅读量731

点赞数

于 2023-03-21 08:57:12 首次发布

本文链接：https://blog.csdn.net/JEREMY_GYJ/article/details/129656547

版权

机器学习专栏收录该内容

14 篇文章 0 订阅

订阅专栏

ROC曲线：受试者工作特征曲线。通常用于评价模型的准确性和确定临界值点的方法。

绘制的图像是TPR(真阳率) 和FPR(假阳率）之间的关系。

AUC：

统计学的意义，在样本中任取一个（正，负）样本对，分类器对前者的输出概率大于后者的比例。也就是正样本大于等于负样本的比例。

混淆矩阵：

	预测值
实际值		正	负
	正	TP （真正）	FN （假负）
	负	FP （假正）	TN （真负）

真阳率：TPR=TP / (TP + FN)；是指实际为正样本中有多少预测对了

假阳率：FPR=FP / (FP + TN) ；是指负样本中有多少预测错了

精度： TP / (TP +FP)

召回率：TP / (TP +FN)

简单实现例子：

from sklearn.metrics import roc_curve,auc,confusion_matrix
from matplotlib import pyplot as plt
import warnings
warnings.filterwarnings("ignore")

#解决中文乱码的问题：
import matplotlib
matplotlib.rc("font",family="Microsoft YaHei")

label=[1,0,1,1,0] #y_label
score=[0.9,0.5,0.8,0.6,0.4] #y_predict

FPR,TPR,P=roc_curve(label,score) #使用roc_auc曲线返回真阳率、假阳率、阈值；
AUC=auc(FPR,TPR)

#做出 TPR - FPR之间差值；
threshold=[TPR[i]-FPR[i] for i in range(len(P))]
#寻找最佳的域值：
best_threshold=P[threshold.index(max(threshold))] #求出在TPR -FPR最大差下的；P中最优阈值；

#绘制roc_auc的曲线：

plt.plot(FPR,TPR,'b*-',label="ROC曲线，"
                             "最优的阙值是="+str('%.3f'%best_threshold)+","
                             +'AUC='+str('%.3f'%AUC))


#画出参考线：
plt.plot([0,1],[0,1],'r--',label="45度参考线")
plt.legend()

plt.xlabel("FPR")
plt.ylabel("TPR")
plt.show()

第二个例子：

"""

auc和roc曲线只适用于，进行分类问题的模型评估方法；

"""
from sklearn.datasets import load_breast_cancer
from sklearn.linear_model import LogisticRegression #逻辑回归 ；进行癌症的预测；
from sklearn.model_selection import train_test_split
from sklearn.metrics import roc_auc_score,roc_curve,auc

import warnings
warnings.filterwarnings("ignore")



X,y=load_breast_cancer(return_X_y=True)

x_train,x_test,y_train,y_test=train_test_split(X,y,test_size=0.3)
clf=LogisticRegression(solver="liblinear",random_state=0).fit(x_train,y_train)


"""
roc_auc_score:返回值是auc
"""
auc_value1=roc_auc_score(y_test,clf.predict(x_test)) #y_true, y_predict;
print("auc_value2:",auc_value1)

"""
roc_curve :返回值是FPR，TPR，thresholds

"""
#计算roc曲线：
FPR,TPR,thresholds=roc_curve(y_test,clf.predict(x_test))
#thresholds ：阈值；
print(FPR)
print(TPR)
print(thresholds)


auc_value2=auc(FPR,TPR)
print("auc_value2:",auc_value2)

from matplotlib import pyplot as plt
import matplotlib
matplotlib.rc("font",family="Microsoft YaHei")

def draw_roc_auc(FPR,TPR,plt):

    plt.plot(FPR,TPR,label="roc_auc曲线")
    plt.plot([0,1],[0,1],label="45度直线")
    plt.xlabel("FPR")
    plt.ylabel("TPR")

    plt.legend(loc="best")
    plt.show()

draw_roc_auc(FPR,TPR,plt)