多模型的ROC曲线绘制

ROC曲线

ROC曲线是一种评估分类器性能的图形工具，它以真阳性率（灵敏度）为纵坐标，假阳性率（1-特异度）为横坐标绘制。ROC曲线特别需要注意以下几点：

• ROC曲线要与45度对角线比较，对角线表示随机猜测的结果，ROC曲线越靠近左上角，表示分类器越好。
• ROC曲线下面积（AUC）可以反映分类器的整体性能，AUC越大，表示分类器越好。
• ROC曲线可以用来比较不同的分类器或者不同的阈值设置，选择最佳的模型或者阈值。
• 绘制ROC曲线时，需要传入真实标签和预测为正类的概率值，而不是预测的0-1标签。

---

一、使用随机生成的数据进行绘制

安装对应库，代码可以直接用

import pandas as pd
import matplotlib.pyplot as plt
from sklearn.metrics import roc_curve, auc
import numpy as np
import time

def Draw_Roc():
    # 生成随机数据
    np.random.seed(0)
    n_samples = 1000
    n_classes = 2

    # 真实标签
    y_true = np.random.randint(n_classes, size=n_samples)


    # 模拟三个模型的预测概率
    y_score1 = np.random.rand(n_samples).reshape(-1,1)
    y_score2 = np.random.rand(n_samples).reshape(-1,1)
    y_score3 = np.random.rand(n_samples).reshape(-1,1)

    # 定义颜色和线条样式
    colors = ['blue', 'red', 'green','c']
    linestyles = ['-', '--', '--', '--']


    # 绘制ROC曲线并计算AUC值
    plt.figure(figsize=(7, 5))
    for i, y_score in enumerate([y_score1,y_score2,y_score3,y_score4]):
        # 计算每个类别的TPR和FPR
        fpr = dict()
        tpr = dict()
        roc_auc = dict()

        for j in range(n_classes-1):
            fpr[j], tpr[j], _ = roc_curve(y_true == j, y_score[:, j])
            roc_auc[j] = auc(fpr[j], tpr[j])

        # 计算微平均TPR和FPR
        fpr["micro"], tpr["micro"], _ = roc_curve(y_true.ravel(), y_score.ravel())
        roc_auc["micro"] = auc(fpr["micro"], tpr["micro"])

        # 绘制微平均ROC曲线并添加图例
        plt.plot(fpr["micro"], tpr["micro"],
                 color=colors[i], linestyle=linestyles[i],
                 label='Model {0} (AUC = {1:0.2f})'
                       ''.format(i, roc_auc["micro"]))

    plt.plot([0, 1], [0, 1], 'k--')  # 绘制对角线作为参考线
    plt.xlim([0.0, 1.0])  # 设置x轴范围
    plt.ylim([0.0, 1.05])  # 设置y轴范围
    plt.xlabel('False Positive Rate')  # 设置x轴标签
    plt.ylabel('True Positive Rate')  # 设置y轴标签
    plt.title('ROC curve of mutiple-class models')  # 设置标题
    plt.legend(loc="lower right")  # 设置图例位置
    plt.savefig('rand_data_show')
    plt.show()  # 显示图像
	
if __name__ == '__main__':
    Draw_Roc()

二、使用真实数据绘制

代码如下：

import pandas as pd
import matplotlib.pyplot as plt
from sklearn.metrics import roc_curve, auc
import numpy as np
import time

def Draw_Roc():
    # 读取训练好的模型中的真实标签和预测为正类的概率值
    data1 = pd.read_csv('result_textcnn_Fast')
    y_true = np.array(data1['true_label_0']).reshape(-1,1)
    y_score1 = np.array(data1['0']).reshape(-1,1)

    data2 = pd.read_csv('result_bilstm_Fast')
    y_score2 = np.array(data2['0']).reshape(-1,1)

    data3 = pd.read_csv('result_cnnbilstm_Fast')
    y_score3 = np.array(data3['0']).reshape(-1, 1)

    data4 = pd.read_csv('result_bilstmAtt_Fast')
    y_score4 = np.array(data4['0']).reshape(-1, 1)

    n_classes = 2

    # 定义颜色和线条样式
    colors = ['blue', 'red', 'green','c']
    linestyles = ['-', '--', '--', '--']

    model_name = ['TextCNN','TextRNN','TextRCNN','Att-BiLSTM']


    # 绘制ROC曲线并计算AUC值
    plt.figure(figsize=(7, 5))
    for i, y_score in enumerate([y_score1,y_score2,y_score3,y_score4]):
        # 计算每个类别的TPR和FPR
        fpr = dict()
        tpr = dict()
        roc_auc = dict()

        for j in range(n_classes-1):
            fpr[j], tpr[j], _ = roc_curve(y_true == j, y_score[:, j])
            roc_auc[j] = auc(fpr[j], tpr[j])

        # 计算微平均TPR和FPR
        fpr["micro"], tpr["micro"], _ = roc_curve(y_true.ravel(), y_score.ravel())
        roc_auc["micro"] = auc(fpr["micro"], tpr["micro"])

        # 绘制微平均ROC曲线并添加图例
        plt.plot(fpr["micro"], tpr["micro"],
                 color=colors[i], linestyle=linestyles[i],
                 label='Model {0} (AUC = {1:0.2f})'
                       ''.format(model_name[i], roc_auc["micro"]))

    plt.plot([0, 1], [0, 1], 'k--')  # 绘制对角线作为参考线
    plt.xlim([0.0, 1.0])  # 设置x轴范围
    plt.ylim([0.0, 1.05])  # 设置y轴范围
    plt.xlabel('False Positive Rate')  # 设置x轴标签
    plt.ylabel('True Positive Rate')  # 设置y轴标签
    plt.title('ROC curve of different models')  # 设置标题
    plt.legend(loc="lower right")  # 设置图例位置
    plt.savefig('real_data_show')
    plt.show()  # 显示图像

if __name__ == '__main__':
    Draw_Roc()