分类任务评估2——推导ROC曲线、P-R曲线和K-S曲线

已于 2023-04-01 22:51:30 修改
阅读量1.4k 收藏 7
点赞数 2
分类专栏： 机器学习 文章标签： sklearn python 机器学习
于 2022-06-30 15:11:24 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/lmtx069/article/details/125537076
版权

实例推导ROC曲线和查全率-查准率曲线

一.背景介绍

1.1数据来源

本文数据基于XGBoost模型调参、训练、评估、保存和预测的结果数据。真实结果及预测结果、预测为1的概率如下：

y_test = [1, 0, 1, 0, 0, 0, 1, 1, 1, 1, 1, 1, 1, 0]
y_pred = [0, 0, 1, 0, 0, 0, 1, 1, 1, 1, 1, 0, 1, 0]
y_pred_proba = [0.2704021632671356, 0.0351046547293663, 0.8921366333961487, 0.046649616211652756, 0.17434531450271606,
                0.21389029920101166, 0.6692600846290588, 0.8160045742988586, 0.8550902605056763, 0.9786821007728577,
                0.9571514129638672, 0.10502149909734726, 0.5201050043106079, 0.032392870634794235]

1.2评估指标的粗浅解释

正式开始前需要提前掌握的内容，如已掌握可跳过直接看推导：
分类任务评估1——推导sklearn分类任务评估指标：混淆矩阵、查准率、查全率、假报警率计算；通过sklearn复现ROC曲线、AUC值，即《ROC曲线和AUC值的粗浅解释》章节

1.3本文推导的前提

只借助3个最基础的工具包，不使用任何sklearn的模块

import pandas as pd
import matplotlib.pyplot as plt
import warnings

warnings.filterwarnings('ignore')
plt.rcParams['font.family'] = ['sans-serif']
plt.rcParams['font.sans-serif'] = ['SimHei']

二.结论先行

完整脚本在第三部分，这里先来写结论

2.1结果展示

2.1.1ROC曲线、P-R曲线和K-S曲线绘制

在这里插入图片描述

2.1.2不同阈值下基础指标

不同阈值下 查全率 tpr: [0.0, 0.1111111111111111, 0.2222222222222222, 0.3333333333333333, 0.4444444444444444, 0.5555555555555556, 0.6666666666666666, 0.7777777777777778, 0.8888888888888888, 0.8888888888888888, 0.8888888888888888, 1.0, 1.0, 1.0, 1.0, 1.0]
不同阈值下 假报警率 fpr: [0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.2, 0.4, 0.4, 0.6, 0.8, 1.0, 1.0]
不同阈值下 查准率 precisions: [1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 0.8888888888888888, 0.8, 0.8181818181818182, 0.75, 0.6923076923076923, 0.6428571428571429, 0.6428571428571429]
不同阈值下 真阳性 tp: [0, 1, 2, 3, 4, 5, 6, 7, 8, 8, 8, 9, 9, 9, 9, 9]
不同阈值下 假阳性 fp: [0, 0, 0, 0, 0, 0, 0, 0, 0, 1, 2, 2, 3, 4, 5, 5]
不同阈值下 假阴性 fn: [9, 8, 7, 6, 5, 4, 3, 2, 1, 1, 1, 0, 0, 0, 0, 0]

2.2结论总结

2.2.1一切源于阈值的变化

1.不同阈值下，根据预测概率会得出一系列混淆矩阵，因此会有一系列的查全率、查准率、假报警率；

# 阈值根据自己的预测概率结果，自行调整。数据越多，划分越细，就越接近于曲线
# 因为数值较少，按照下面阈值的设置，每次都会多1个被预测为真，即TP+FP每次增加1个
thresholds_self = [1, 0.97, 0.9, 0.88, 0.85, 0.8, 0.6, 0.5, 0.25, 0.2, 0.15, 0.1, 0.04, 0.035, 0.03, 0]

# 预测结果如 2.2.2不同阈值下基础指标 不再赘述

2.不同阈值下的查全率和假报警率构成ROC曲线；
3.不同阈值下的查准率和查全率构成查准率-查全率曲线；
4.参与预测的样本越多，阈值可划分的就更详细，得到的一系列指标也就更多，线的绘制就越接近于曲线。

2.2.2ROC曲线的结论

1.任何分类任务的目标都是追求高查全率（TPR）和低假报警率（FPR）；

# 查全率/召回率
Recall = TP / (TP + FN)
print('Recall: %.2f%%' % (Recall * 100))

# 假报警率
FPR = FP / (FP + TN)
print('FPR: %.2f%%' % (FPR * 100))

2.在既定的测试结果概率下，阈值由大到小排列，随着阈值的缩小，TPR增大时，FPR不变或提升；
3.曲线下面积AUC越大越好，最小值为蓝色虚线下面积0.5，值的变化范围在蓝色虚线和红色实线围成的面积0-0.5之间。

2.2.3查全率-查准率曲线的结论

1.查准率不包含任何假阴性样本（FN）的信息，查全率不包含任何假阳性样本（FP）的信息，两者均不能完整评估学习性能，且相互补充。

# 精准率
Precision = TP / (TP + FP)
print('Precision: %.2f%%' % (Precision * 100))

# 查全率/召回率
Recall = TP / (TP + FN)
print('Recall: %.2f%%' % (Recall * 100))

2.任何分类任务的目标都是追求高查全率和高查准率，但由查准率-查全率曲线和查准率precisions和查全率 tpr数值可以发现，高查全率和高查准率这两个目标是冲突的。原因在于在既定的测试结果概率下，随着阈值的缩小，越来越多的样本被判断为真，随着TP增加，FP也增加（FP也可能不变，但不影响整体趋势）。

不同阈值下 真阳性 tp: [0, 1, 2, 3, 4, 5, 6, 7, 8, 8, 8, 9, 9, 9, 9, 9]
不同阈值下 假阳性 fp: [0, 0, 0, 0, 0, 0, 0, 0, 0, 1, 2, 2, 3, 4, 5, 5]
不同阈值下 假阴性 fn: [9, 8, 7, 6, 5, 4, 3, 2, 1, 1, 1, 0, 0, 0, 0, 0]

3.作为查全率和查准率的折中，F值定义为查全率和查准率的调和平均数。F1便是其中一个调和平均数，是查准率和查全率同等重要的情况。
特殊情况说明：本例中出现，查全率上升、查准率也上升的情况（precision=0.8，recall=tpr=0.8888）——>（precision=0.81818，recall=tpr=1.0），查数可知：threshold_self=0.15到threshold_self=0.1时，TP增加，FP不变，所以precision有提升，但随着阈值缩小并没有影响随着查全率上升、查准率下降的整体趋势。
在这里插入图片描述
阈值threshold_self=0.2时，precision=TP/(TP+FP)=8/(8+1)=0.8888，recall=TP/(TP+FN)=8/(8+1)=0.8888
在这里插入图片描述
阈值threshold_self=0.15时，precision=TP/(TP+FP)=8/(8+2)=0.8，recall=TP/(TP+FN)=8/(8+1)=0.8888
在这里插入图片描述
阈值threshold_self=0.1时，precision=TP/(TP+FP)=9/(9+2)=0.8181，recall=TP/(TP+FN)=9/(9+0)=1
在这里插入图片描述

2.2.4K-S曲线的结论

1.K-S曲线绘制的丑是丑了点，但不影响结论，当参与的样本足够多时，自然会是3条平滑曲线，如下图（百度图片）。
在这里插入图片描述
2.K-S曲线的横轴阈值是预测为正的概率阈值，由高到低降序排列，从1到0不能反，反了就彻底错了。
3.由2.1.1中绘制的K-S曲线图可以看出，阈值为0.25时(thresholds_self[ks.index(max(ks))])，KS曲线获得最大值0.888(max(ks))。在预测为正的概率阈值=0.25时，模型将好坏样本最分得开，区分如下图，阈值0.5时，2个样本区分错误，阈值0.25时仅1个样本区分错误。所以可以得出结论，KS值反应的是模型对类别区分的最大能力。
在这里插入图片描述
4.KS曲线与ROC曲线使用的都是tpr和fpr绘制，KS值是KS曲线的最大值max(abs(fpr - tpr))，AUC值是ROC曲线下面积。两个曲线对应的值都可以用来评估模型的好坏，具体使用没有绝对区分，可以和准确率一起综合来判断模型好坏。

三.计算和曲线绘制

3.1计算推导脚本

import pandas as pd
import matplotlib.pyplot as plt
import warnings

warnings.filterwarnings('ignore')
plt.rcParams['font.family'] = ['sans-serif']
plt.rcParams['font.sans-serif'] = ['SimHei']

# 数据
y_test = [1, 0, 1, 0, 0, 0, 1, 1, 1, 1, 1, 1, 1, 0]
y_pred = [0, 0, 1, 0, 0, 0, 1, 1, 1, 1, 1, 0, 1, 0]
y_pred_proba = [0.2704021632671356, 0.0351046547293663, 0.8921366333961487, 0.046649616211652756, 0.17434531450271606,
                0.21389029920101166, 0.6692600846290588, 0.8160045742988586, 0.8550902605056763, 0.9786821007728577,
                0.9571514129638672, 0.10502149909734726, 0.5201050043106079, 0.032392870634794235]

# 空列表准备
fpr = []
tpr = []
precisions = []
tp = []
fp = []
fn = []

# 阈值准备
thresholds_self = [1, 0.97, 0.9, 0.88, 0.85, 0.8, 0.6, 0.5, 0.25, 0.2, 0.15, 0.1, 0.04, 0.035, 0.03, 0]
# 不同阈值的FPR\TPR\查准率生成
for threshold_self in thresholds_self:
    # 当前阈值下的预测结果
    pred = [1 if i >= threshold_self else 0 for i in y_pred_proba]
    print('pred_list:', pred)
    # print('threshold_self:', threshold_self, '\t', 'pred_1_cnt:', sum(pred))

    # 生成混淆矩阵
    feature_data = [pred, y_test]
    df = pd.DataFrame(feature_data).T.reset_index().rename(columns={0: 'pred', 1: 'true'})
    ptl = pd.pivot_table(df, values='index', index='pred', columns='true', aggfunc='count', fill_value=0)
    # 全部预测为真，或全部预测为假时，混淆矩阵的补充
    if ptl.shape[0] == 1:
        if ptl.index == 0:
            ptl.loc[1] = [0, 0]
        elif ptl.index == 1:
            ptl.loc[0] = [0, 0]
            ptl = ptl.sort_index()
    print('混淆矩阵:', '\n', ptl)

    # 从混淆矩阵提取基础值
    TP = ptl.iat[1, 1]
    FN = ptl.iat[0, 1]
    FP = ptl.iat[1, 0]
    TN = ptl.iat[0, 0]

    # 单一指标计算
    FPR = FP / (FP + TN)
    TPR = TP / (TP + FN)
    precision = TP / (TP + FP)

    # 不同阈值下的计算数据收集
    fpr.append(FPR)
    tpr.append(TPR)
    tp.append(TP)
    fp.append(FP)
    fn.append(FN)
    precisions.append(precision)

# 查准率空值特殊处理，替换为1；也可以删除，绘制查全率-查准率曲线时，同时删除相应位置查全率值即可
precisions = [i if i > -0.1 else 1.0 for i in precisions]
ks = [m - n for m, n in zip(tpr, fpr)]

print('不同阈值下 查全率 tpr:', tpr)
print('不同阈值下 假报警率 fpr:', fpr)
print('不同阈值下 查准率 precisions:', precisions)
print('不同阈值下 真阳性 tp:', tp)
print('不同阈值下 假阳性 fp:', fp)
print('不同阈值下 假阴性 fn:', fn)

3.2绘制三个曲线

# 直接接上面的代码即可直接运行
# ROC曲线
plt.figure(figsize=(24, 6))
plt.subplot(131)
plt.plot(fpr, tpr, marker='p', color='r')
plt.plot([0, 1], [0, 1], '--')
plt.xlim([-0.002, 1])
plt.ylim([-0.002, 1.005])
plt.xlabel('假报警率')
plt.ylabel('查全率（真正利率）')
plt.title('查全率与假报警率——ROC曲线')

# 查全率-查准率曲线
plt.subplot(132)
plt.plot(tpr, precisions, marker='o', color='g')
plt.xlim([-0.002, 1])
plt.ylim([-0.002, 1.005])
plt.xlabel('查全率')
plt.ylabel('查准率')
plt.title('查准率与查全率曲线')

# KS曲线
plt.subplot(133)
plt.plot(thresholds_self, tpr, marker='^', color='b', label='tpr')
plt.plot(thresholds_self, fpr, marker='*', color='y', label='fpr')
plt.plot(thresholds_self, [m - n for m, n in zip(tpr, fpr)], marker='', color='r', label='ks')
plt.axvline(x=thresholds_self[ks.index(max(ks))], ymax=max(ks), color='k', linestyle='--')
plt.axhline(y=max(ks), xmax=1-thresholds_self[ks.index(max(ks))], color='k', linestyle='--')
plt.xlim([1, -0.002])
plt.ylim([-0.002, 1.005])
plt.xlabel('阈值')
plt.ylabel('真正例率/假正例率')
plt.title('KR曲线')
plt.legend(loc="upper left")
plt.show()
声明：本文所载信息不保证准确性和完整性。文中所述内容和意见仅供参考，不构成实际商业建议，可收藏可转发但请勿转载，如有雷同纯属巧合。
赫加青空
关注
  • 2
    点赞
  • 踩
  • 7
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
python实现二分类和多分类的ROC曲线教程
09-16
在机器学习领域，ROC曲线（Receiver Operating Characteristic Curve）是一种评估分类器性能的重要工具，尤其适用于二分类和多分类任务。ROC曲线通过绘制真正阳性率（True Positive Rate, TPR）与假阳性率（False ...
sklearn【AUC-ROC】原理，以及绘制ROC曲线！
最新发布
高级数据分析师，分享Python知识
04-18 1491
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。
AUC的相关知识及K-S曲线和K-S值介绍
Buevara的博客
11-28 2540
1. AUC的直观解释 大家都知道AUC是ROC下方的面积，ROC是什么？ROC怎么画呢？ TRR = (TPTP+FN)\left(\frac{TP}{TP+FN}\right)(TP+FNTP​) 又称真正率 FPR = (FPFP+TN)\left(\frac{FP}{FP+TN}\right)(FP+TNFP​) 又称负正率或假正率 TP、FN、FP、TN如图： 我们先建立坐标系，纵...
KS值和KS曲线--画ROC曲线如何选择阈值以及如何减少计算量
weixin_45271076的博客
08-26 3034
KS(Kolmogorov-Smirnov)：KS用于模型风险区分能力进行评估， 指标衡量的是好坏样本累计分部之间的差值。 好坏样本累计差异越大，KS指标越大，那么模型的风险 ](https://blog.csdn.net/sscc_learning/article/details/86707005) thon的k-s值计算KS曲线的绘制 做评分卡模型时（假设有多个自变量，因变量即是否违约。）通常需要筛选变量。 k-s值的作用类似于AUC,它期初是用来评价模型（变量）对是否违约事件的区分程度的。 在衡量模
混淆矩阵、ROC曲线，AUC值，K-S曲线
lx529068450的博客
04-08 1182
数据分析与挖掘体系位置 混淆矩阵是评判模型结果的指标，属于模型评估的一部分。此外，混淆矩阵多用于判断分类器（Classifier）的优劣，适用于分类型的数据模型，如分类树（Classification Tree）、逻辑回归（Logistic Regression）、线性判别分析（Linear Discriminant Analysis）等方法。 在分类型模型评判的指标中，常见的方法有如下四种： ...
数学建模学习（2）—— 客户流失预警模型案例评估 ROC曲线与KS曲线（2022.7.19）
zyx111999222的博客
07-19 3031
命中率（真正率）假报警率1（预测流失）0（预测不流失）合计1（实际流失）TP=0正确肯定FN=2000漏报TP+FN=20000（实际不流失）FP=0虚报TN=5000正确否定FP+TN=5000总体来说，命中率计算是所有实际流失（分类为1）的客户中被预测为流失客户所占的比例，也成真正率，或召回率；而假警报计算的则是所有实际未流失（分类为0）的客户所占的比例，也称假正率。大家可以通过如下公式加深记忆和理解。......
机器篇——决策树(五) 细说 评估指标的相关曲线(ROC、KS、PR)
天下所弃，不过其纪。世间事，在人，在志。
01-04 6366
返回主目录 返回决策树目录 上一章：机器篇——决策树(四) 下一章：机器篇——决策树(六) 本小节，细说评估指标的相关曲线(ROC、KS、PR)，下一小节开始细说 评估指标的交叉验证。 三. 评估指标 1. 混淆矩阵 混淆矩阵(confusion matrix) 也称为误差矩阵，是表示精度评价的一种标准格式，用行列的矩阵形式来表示。可以理解为就是...
利用鸢尾花数据集画出P-R曲线 python
03-18
#演示目的：利用鸢尾花数据集画出P-R曲线 """ print(__doc__) import matplotlib.pyplot as plt import numpy as np from sklearn import svm, datasets from sklearn.metrics import precision_recall_...
pROC：显示和分析R和S +中的ROC曲线
02-05
**pROC库详解** ...pROC包不仅适用于二分类问题，还可以处理多分类任务，通过比较类间的ROC曲线，评估多分类模型的性能。结合其丰富的统计功能和灵活的绘图选项，pROC是R环境中分析ROC曲线的强大工具。
cfar_20171222.rar_CFAR 检测曲线_OS-CFAR matlab_OS—CFAR_roc
07-14
OS-CFAR的Matalb实现，并且可以根据虚警率的不同绘制ROC曲线，是学习恒虚警检测器的好材料
如何看ROC，LIFT，PR，KS曲线
Miracle.Zhao的博客
09-10 1万+
1.ROC曲线 ROC(receiver operating characteristic)接受者操作特征，其显示的是分类器的真正率和假正率之间的关系 ROC曲线有助于比较不同分类器的相对性能，当FPR小于0.36时M1浩宇M2，而大于0.36是M2较好。 ROC曲线下面的面积为AUC(area under curve)，其面积越大则分类的性能越好，理想的分类器auc=1。 一般AUC>0.8分类器还可以。 图来自https://blog.csdn.net/taoyanqi8932/ar.
模型评价ROC\AUC\查准率\查全率\F-score\混淆矩阵\KS曲线\PR曲线等
小麦粒的Python
08-04 2613
AUC（Area Under Curve）是由ROC（Receiver Operating Characteristic Curve，受试者工作特征曲线）及其曲线下的面积组成，而ROC是由真阳性率和假阳性率绘制而成的曲线，是反映敏感性和特异性连续变量的综合指标，ROC曲线上每个点反映着对同一信号刺激的感受性。混淆矩阵是ROC曲线绘制的基础，返回值是一个误差矩阵，常用来可视化地评估监督学习算法的性能。指标还有查准率、查全率和F-score等
机器学习中的度量指标：ROC曲线，AUC值，K-S曲线
兔角与禅
07-31 5224
机器学习中的度量指标：ROC曲线，AUC值，K-S曲线 首先，回顾一下二分类问题的一些定义： 预测 1 0 实 1 TP FN ​际 0 FP TN 上表中，四个项分别为：TP真阳性；FN假阴性；FP假阳性；TN真阴性 注意，真假表示预测的对错，后面的阳性和阴性表示预测结果，因此结合预测结果和预测结果的对错，可以知道对应的实际结果是什么。比如...
模型评估方法：ROC曲线与KS曲线
m0_46388544的博客
01-26 3939
本文代码及数据集来自《Python大数据分析与机器学习商业案例实战》 对于二分类模型来说，主流的评估方法有ROC曲线和KS曲线两种。 一、ROC曲线 如果把假警报率理解为代价的话，那么命中率就是收益，所以也可以说在阈值相同的情况下，希望假警报率（代价）尽可能小，命中率（收益）尽可能高，该思想反映在图形上就是ROC曲线尽可能地陡峭。曲线越靠近左上角，说明在相同的阈值条件下，命中率越高，假警报率越低，模型越完善。 #混淆矩阵的Python代码实现 from sklearn.metrics import c.
卷积神经网络的深入理解-评测指标篇（PR曲线，ROC曲线，AUC面积，IOU，AP含实例）
hjkdh的博客
01-19 7447
卷积神经网络的深入理解-评测指标篇绪论什么是评测指标？分类任务评测指标1、准确率/召回率/精确度/F1-score2、Precision/Recall（P-R）曲线3、ROC曲线那么该选择PR曲线还是ROC曲线呢？4、AUC面积回归任务评测指标 绪论 这一篇主要是介绍一下模型的评测指标，与上几篇文章一样都会持续更新。 什么是评测指标？ 评测指标是用来定量衡量模型的性能的，是作为各种方法比较的一个标准。 评测指标可以分为分类任务的评测指标和回归任务的评测指标 下面会详细介绍两种任务的评测指标。 分类任务评测指
图像识别中的P-R曲线是如何产生的-Effective DeepLearning
liangzhicong的博客
02-02 1345
在做图像分类和标注的模型的时候，发现大家对其中一个评价指标P-R曲线图的生成比较疑惑，这里就想跟大家探讨一下我自己的理解。 做过图像分类和图像标注的小伙伴都会晓得下面两个图 一，这个是描述一个分类的P准确率（简单理解就是模型出这个结果会有多少的概率是可以相信这个结果的）和R召回率（就是你放一个这个分类进去模型做预测它出来的结果有多少概率是可以相信的）的计算方式，还有就是F1-scroe的计算方...
【机器学习笔记】：一文让你彻底理解准确率，精准率，召回率，真正率，假正率，ROC/AUC
热门推荐
Python数据科学
10-14 2万+
作者：xiaoyu 微信公众号：Python数据科学 知乎：python数据分析 非经作者允许，禁止任何商业转载。 ROC/AUC作为机器学习的评估指标非常重要，也是面试中经常出现的问题（80%都会问到）。其实，理解它并不是非常难，但是好多朋友都遇到了一个相同的问题，那就是：每次看书的时候都很明白，但回过头就忘了，经常容易将概念弄混。还有的朋友面试之前背下来了，但是一紧张大脑一片空白全...
python举例详细展示逻辑回归二分类的做法，以及画出分类模型ROC曲线图和P-R曲线图
06-10
好的，我可以给您详细介绍如何使用Python进行逻辑回归二分类的建模以及如何画出分类模型的ROC曲线图和P-R曲线图。 首先，我们需要导入必要的库。在这里，我们将使用`pandas`库读取数据，`sklearn`库进行建模和绘图，`matplotlib`库进行图形化展示。以下是导入所需库的代码： ``` python import pandas as pd from sklearn.model_selection import train_test_split from sklearn.linear_model import LogisticRegression from sklearn.metrics import roc_curve, precision_recall_curve, auc import matplotlib.pyplot as plt ``` 然后，我们需要加载数据集。在这里，我们将使用`pandas`库的`read_csv()`函数加载数据集。以下是加载数据集的代码： ``` python data = pd.read_csv('data.csv') ``` 接下来，我们需要将数据集分为训练集和测试集。在这里，我们将使用`train_test_split()`函数将数据集随机分为训练集和测试集。以下是将数据集分割为训练集和测试集的代码： ``` python X = data.iloc[:, :-1].values y = data.iloc[:, -1].values X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=0) ``` 然后，我们需要使用`LogisticRegression()`函数进行模型拟合。在这里，我们将使用默认参数。以下是使用`LogisticRegression()`函数进行模型拟合的代码： ``` python classifier = LogisticRegression() classifier.fit(X_train, y_train) ``` 接下来，我们可以使用`predict()`函数预测测试集中的结果，并使用`predict_proba()`函数获取每个样本属于正类的概率。以下是预测测试集结果和获取每个样本属于正类的概率的代码： ``` python y_pred = classifier.predict(X_test) y_prob = classifier.predict_proba(X_test)[:, 1] ``` 然后，我们可以使用`roc_curve()`函数和`precision_recall_curve()`函数计算ROC曲线和P-R曲线上的点，以及计算ROC曲线和P-R曲线下面积（AUC）。以下是计算ROC曲线和P-R曲线上的点以及计算ROC曲线和P-R曲线下面积的代码： ``` python fpr, tpr, thresholds = roc_curve(y_test, y_prob) precision, recall, thresholds = precision_recall_curve(y_test, y_prob) roc_auc = auc(fpr, tpr) pr_auc = auc(recall, precision) ``` 最后，我们可以使用`matplotlib`库绘制ROC曲线和P-R曲线。以下是绘制ROC曲线和P-R曲线的代码： ``` python # 绘制ROC曲线 plt.figure() plt.plot(fpr, tpr, color='darkorange', label='ROC curve (area = %0.2f)' % roc_auc) plt.plot([0, 1], [0, 1], color='navy', 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() # 绘制P-R曲线 plt.figure() plt.plot(recall, precision, color='purple', label='P-R curve (area = %0.2f)' % pr_auc) plt.xlabel('Recall') plt.ylabel('Precision') plt.title('Precision-Recall curve') plt.legend(loc="lower right") plt.show() ``` 这样就完成了逻辑回归二分类的建模和ROC曲线和P-R曲线的绘制。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值