Python下使用sklearn绘制ROC曲线（超详细）

最新推荐文章于 2025-02-16 08:33:53 发布

Forizon

最新推荐文章于 2025-02-16 08:33:53 发布

阅读量8w

点赞数 70

分类专栏：编程学习文章标签： AUC ROC python

本文链接：https://blog.csdn.net/hesongzefairy/article/details/104302499

版权

什么是ROC曲线？可以参见（https://blog.csdn.net/hesongzefairy/article/details/104295431）

现在我们知道ROC曲线上的一组组（FPR，TPR）值是通过改变阈值得到，那么具体在程序中是如何实现的？

首先我们需要了解sklearn.metrics中的roc_curve方法（metrics是度量、指标，curve是曲线）

roc_curve(y_true, y_score, pos_label=None, sample_weight=None, drop_intermediate=None)

参数含义：

y_true：简单来说就是label，范围在(0，1)或(-1，1)的二进制标签，若非二进制则需提供pos_label。

y_score：模型预测的类别概率值。

pos_label：label中被认定为正样本的标签。若label=[1,2,2,1]且pos_label=2，则2为positi

最低0.47元/天解锁文章

确定要放弃本次机会？

福利倒计时

: :

立减 ¥

普通VIP年卡可用

立即使用

Forizon

关注关注

70
点赞
踩
375

收藏

觉得还不错? 一键收藏
12
评论
分享

复制链接

分享到 QQ

分享到新浪微博

扫一扫
举报

举报

专栏目录

sklearn.metrics.roc_curve详解：绘制接收者操作特性曲线（ROC curve）

syntax_api860的博客

09-14

1080

该曲线能够量化模型的分类性能，并通过绘制模型的真阳性率（True Positive Rate，TPR）和假阳性率（False Positive Rate，FPR）之间的关系来提供详细信息。真阳性率（TPR）定义为正确预测为正例的样本数占所有正例样本数的比例，即TPR = TP / (TP + FN)，其中TP表示真阳性，FN表示假阴性。同时，假阳性率（FPR）也被定义为错误将负例预测为正例的样本数占所有负例样本数的比例，即FPR = FP / (FP + TN)，其中FP表示假阳性，TN表示真阴性。

机器学习性能评估指标之ROC曲线（Receiver Operating Characteristic Curve）

最新发布

浩瀚之水的专栏

03-24

867

ROC曲线是评估二分类模型性能的核心工具，通过可视化模型在不同阈值下的真正率（TPR）和假正率（FPR）的权衡关系，适用于类别均衡或轻度不平衡的场景。

12 条评论您还未登录，请先登录后发表或查看评论

利用Python画ROC曲线和AUC值计算

09-21

给大家介绍了如何利用Python画ROC曲线，以及AUC值的计算，有需要的朋友们可以参考借鉴，下面来一起看看吧。

使用sklearn绘制ROC曲线

LRJ的博客

06-04

4043

roc曲线的绘制

sklearn 绘制roc曲线_sklearn的roc曲线[python]

weixin_39562615的博客

12-21

282

I have an understanding problem by using the roc libraries.I am writing a program which evalutes detectors (haarcascade, neuronal networks) and want to evaluate them.So I already have the data saved i...

sklearn 绘制roc曲线_roc曲线与sklearn [python]

weixin_39605296的博客

12-21

194

引用维基百科：The ROC is created by plotting the FPR (false positive rate) vs the TPR (true positive rate) at various thresholds settings.为了计算FPR和TPR,您必须将正二进制值和目标分数提供给函数sklearn.metrics.roc_curve.所以在你的情况下,我会做...

Sklearn机器学习——ROC曲线、ROC曲线的绘制和AUC面积、运用ROC曲线找到最佳阈值

qq_47250064的博客

09-03

1万+

介绍了如何平衡分类正确率和误判多数变成小数的成本的一个图像，ROC曲线（横坐标是假正率，纵坐标是Recall)。AUC曲线面积越大越好。

简述——python使用sklearn画ROC曲线

昆兰.沃斯的博客

08-21

2万+

使用sklearn的一系列方法后可以很方便的绘制处ROC曲线，这里简单实现以下。主要是利用混淆矩阵中的知识作为绘制的数据（如果不是很懂可以先看看这里的基础）： tpr(Ture Positive Rate)：真阳率图像的纵坐标 fpr(False Positive Rate)：阳率（伪阳率） ...

【python 机器学习】sklearn ROC曲线与AUC指标

m0_62599305的博客

02-16

1119

ROC曲线：就像是在跑步比赛中看不同运动员在不同阶段的表现。你可以看到在每一个时刻，模型在判断对还是错时的表现。AUC（曲线下面积）：ROC曲线下方的面积，越大越好。它告诉我们模型整体表现有多好，AUC越接近1，模型就越优秀。ROC曲线是用于评估二分类模型性能的工具，能够显示模型在不同阈值下的表现。它通过绘制假正率（FPR）与真正率（TPR）之间的关系，帮助我们评估模型分类效果。**AUC（Area Under the Curve）**是ROC曲线下方的面积，它综合反映了分类模型的性能。

sklearn 绘制roc曲线_sklearn画ROC曲线方法总结1（plot_roc_curve）

weixin_36044132的博客

12-30

2981

plot_roc_curve在sklearn0.22版本中，可以实现一行代码画出ROC-AUC图sklearn.metrics.plot_roc_curve(estimator, X, y, sample_weight=None, drop_intermediate=True, response_method='auto', name=None, ax=None, **kwargs)https:/...

sklearn 绘制roc曲线_二分类--模型检验：利用sklearn做ROC曲线

weixin_39674978的博客

12-21

1055

对matrix或array型数据做2分类时，如何画出其roc曲线？1)首先看一下roc_curve的定义：ROC曲线的全称是“受试者工作特性”曲线(Receiver Operating Characteristic)，源于二战中用于敌机检测的雷达信号分析技术。是反映敏感性和特异性的综合指标。它通过将连续变量设定出多个不同的临界值，从而计算出一系列敏感性和特异性，再以敏感性为纵坐标、(1-特异性)为...

sklearn【AUC-ROC】原理，以及绘制ROC曲线！

高级数据分析师，分享Python知识

04-18

2624

在分类任务中，特别是当数据集中的类别分布不平衡时，评估模型的性能变得尤为重要。AUC-ROC（Area Under the Receiver Operating Characteristic Curve，受试者工作特征曲线下的面积）是一种有效的评估指标，能够全面反映模型在不同分类阈值下的性能，并特别适用于不平衡类别的场景。本文将介绍如何使用sklearn库来计算AUC-ROC，并解释其背后的计算原理。首先，我们需要理解AUC-ROC的计算方式和其背后的含义。

sklearn ROC曲线使用

热门推荐

MrLittleDog的博客

03-03

3万+

目录ROC曲线定义绘制ROC曲线AUC定义代码讲解二分类多分类这篇文章中我将使用sklearn的ROC曲线官方示例代码进行讲解，当然主要目的还是在于记录，好记性不如烂键盘嘛。 ROC曲线定义 ROC曲线是Receiver Operating Characteristic Curve的简称，中文名为“受试者工作特征曲线”。 ROC曲线的横坐标为假阳性率（False Positive Rate，FP...

用sklearn绘制ROC曲线

TURING.DT

07-11

3394

The ROC curve stands for Receiver Operating Characteristic curve, and is used to visualize the performance of a classifier. When evaluating a new model performance,accuracy can be very sensitive to un

python如何绘制roc曲线_如何在Python中绘制ROC曲线

weixin_39879522的博客

12-08

2603

uniquegino..70假设您model是一个sklearn预测器,您可以尝试以下两种方法:import sklearn.metrics as metrics# calculate the fpr and tpr for all thresholds of the classificationprobs = model.predict_proba(X_test)preds = probs[:,...

python如何绘制出ROC曲线

weixin_42587866的博客

01-07

1246

可以使用 Python 中的 matplotlib 库来绘制 ROC 曲线。首先需要计算每个阈值下的真正率 (True Positive Rate, TPR) 和假正率 (False Positive Rate, FPR)。然后使用 matplotlib 的 plot 函数绘制 FPR 对应的横坐标值和 TPR 对应的纵坐标值即可。下面是一个示例代码： import matplotlib.pyp...

sklearn中的roc curve函数

CSDN_LYY的专栏

10-29

797

转载地址 https://blog.csdn.net/w1301100424/article/details/84546194

sklearn.metrics.roc_curve()函数绘制ROC曲线

A person does not really understand something until after teaching it to a computer. Donald.E.Knuth

01-27

3678

import numpy as np import matplotlib.pyplot as plt from sklearn.metrics import roc_curve y = np.array([1,1,2,2]) pred = np.array([0.1, 0.4, 0.35, 0.8]) fpr, tpr, thresholds = roc_curve(y, pred,

ROC曲线绘制(python+sklearn+多分类)

QAQIknow的博客

07-29

2万+

ROC曲线绘制要点（仅记录）

sklearn绘制roc曲线

08-21

要使用scikit-learn（sklearn）绘制ROC曲线，需要按照以下步骤进行操作： 1. 导入所需的库和模块： ```python from sklearn.metrics import roc_curve, auc import matplotlib.pyplot as plt ``` 2. 使用分类模型进行预测，并获取预测概率值： ```python y_pred_proba = model.predict_proba(X_test)[:, 1] ``` 这里的`model`是你训练好的分类模型，`X_test`是测试集的特征矩阵。 3. 计算ROC曲线的假正率（FPR）、真正率（TPR）和阈值（thresholds）： ```python fpr, tpr, thresholds = roc_curve(y_test, y_pred_proba) ``` 这里的`y_test`是测试集的真实标签。 4. 计算曲线下面积（AUC）： ```python roc_auc = auc(fpr, tpr) ``` 5. 绘制ROC曲线： ```python plt.figure() plt.plot(fpr, tpr, color='darkorange', lw=2, label='ROC curve (area = %0.2f)' % roc_auc) plt.plot([0, 1], [0, 1], color='navy', lw=2, 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') plt.legend(loc="lower right") plt.show() ``` 通过以上步骤，你就可以使用scikit-learn绘制ROC曲线了。只需要将`model`、`X_test`和`y_test`替换成你自己的模型、测试数据和测试标签即可。