Python绘制ROC曲线

最新推荐文章于 2024-08-22 08:51:11 发布

a563562675

最新推荐文章于 2024-08-22 08:51:11 发布

阅读量7.8k

点赞数 1

分类专栏： tensorflow

本文链接：https://blog.csdn.net/a563562675/article/details/80554813

版权

本文介绍了如何使用Python进行ROC曲线的绘制，ROC曲线是评估分类器性能的重要工具，通过该曲线可以直观地理解模型在不同阈值下的表现。内容包括相关概念解析及具体代码实现。

摘要由CSDN通过智能技术生成

ROC曲线全程为受试者工作特性（Receiver Operating Characteristic)曲线，可以用来评价学习器的泛化性能。首先我们根据学习器的预测结果对样例进行排序，按此顺序逐个把样本作为正例进行预测，每次计算出两个重要的值，分别以他们为横纵坐标作图，就得到了ROC曲线。ROC曲线的横轴为假正例率(FPR), 纵轴为真正例率(TPR),计算公式分别为：

FPR = FP/(FP+TN); TPR=TP/(TP+FN).

程序分为三个部分：1.获得学习器的输出值 2.根据输出求出FPR和TPR 3.绘制ROC图

一、获得学习器的输出

x = tf.placeholder(dtype=tf.float32, shape=[1, 224, 224, 3])
sess = tf.InteractiveSession()

#build the network
arg_scope = alexnet.alexnet_v2_arg_scope()
with slim.arg_scope(arg_scope):
    logits, _ = alexnet.alexnet_v2(x, num_classes=2, is_training=False)
'''
model = net.Alexnet("pre_trained/alexnet.npy")
logits = model.build(x)
'''
saver = tf.train.Saver()
tf.global_variables_initializer().run()

#restore the pre-trained