Python绘制ROC曲线

1 问题

如何利用python设计程序，绘制ROC曲线。

2 方法

 绘制ROC曲线主要基于python 的sklearn库中的两个函数，roc_curv和auc两个函数。roc_curv 用于计算出fpr（假阳性率）和tpr（真阳性率）auc用于计算曲线下面积，输入为fpr、和tpr

代码清单 1

# 导包 import numpy as np import matplotlib.pyplot as plt from sklearn.metrics import roc_curve, auc # 计算 fpr, tpr, thread = roc_curve(y_test, y_score) roc_auc[i] = auc(fpr, tpr) # 绘图 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()

3 结语

本文介绍了用python实现绘制ROC曲线，并且进行了拓展，使该程序能应用于更多相似的问题。ROC曲线可以用来评估分类器的输出质量。
ROC曲线Y轴为真阳性率，X轴为假阳性率。这意味着曲线的左上角是“理想”点——假阳性率为0，真阳性率为1。
上述的理想情况实际中很难存在，但它确实表示面积下曲线(AUC)越大通常分类效率越好。
ROC曲线的“陡度”也很重要，坡度越大，则越有降低假阳性率，升高真阳性率的趋势。
ROC曲线通常用于二元分类中研究分类器的输出（也可在多分类中使用，需要对标签进行二值化【比如ABC三类，进行分类时将标签进行二值化处理[A(1)、BC(0)】、【B(1)、AC(0)】