matplotlib.pyplot绘制决策树的准确率，召回率，ROC，特征重要性

因为训练模型需要返回模型评价指标，但是召回率和ROC 不能很好的展示返回，所以决定把相关评价指标绘制成图片

DecisionTree2Pmml.py

import sys
import os
curPath = os.path.abspath(os.path.dirname(__file__))
rootPath = os.path.split(curPath)[0]
sys.path.append(rootPath)
from sklearn.model_selection import train_test_split
from sklearn.metrics import classification_report,accuracy_score, auc, confusion_matrix, f1_score, precision_score, recall_score,roc_curve
import prettytable  # 导入表格库
import matplotlib.pyplot as plt  # 导入图形展示库
from time import sleep
# 导入指标库
import numpy as np
def main(modelName,trainingFilePath):
    print(modelName)
    print(trainingFilePath)
    import pandas
    iris_df = pandas.read_csv(trainingFilePath)
    # print(iris_df.head(2))
    x=iris_df[iris_df.columns.difference(["response"])]
    y=iris_df["response"]


    x_train,x_test, y_train, y_test= train_test_split(x,y, test_size=0.2, random_state=0);

    from sklearn.tree import DecisionTreeClassifier
    from sklearn2pmml.pipeline import PMMLPipeline
    # DecisionTreeClassifier( max_depth=10)

    cur_tree=DecisionTreeClassifier()
    pipeline = PMMLPipeline([
        ("classifier", cur_tree)
    ])
    pipeline.fit(x_train,y_train)
    anwser=cur_tree.predict(x_test)
    #准确率:某个类别在测试结果中被正确测试的比率
    mean=float('%.4f' % np.mean(anwser == y_test))
    # 召回率：某个类别在真实结果中被正确预测的比率
    recall_str=classification_report(y_test,anwser)


    # 核心评估指标
    y_score = cur_tree.predict_proba(x_test)  # 获得决策树的预测
    fpr, tpr, thresholds = roc_curve(y_test, y_score[:, 1])  # ROC

    # # 模型效果可视化
    names_list =(iris_df.columns.difference(["response"])).tolist() # 分类模型维度列表
    color_list = ['r', 'c', 'b', 'g']  # 颜色列表
    plt.figure(figsize=(10, 5))  # 创建画布
    # 子网格1：ROC曲线
    plt.subplot(2, 2, 1)  # 第一个子网格
    plt.plot(fpr, tpr, label='ROC')  # 画出ROC曲线
    plt.plot([0, 1], [0, 1], linestyle='--', color='k', label='random chance')  # 画出随机状态下的准确率线
    plt.title('ROC')  # 子网格标题
    plt.xlabel('false positive rate')  # X轴标题
    plt.ylabel('true positive rate')  # y轴标题
    plt.legend(loc=0)

    # 子网格2：指标重要性
    feature_importance = cur_tree.feature_importances_  # 获得指标重要性
    plt.subplot(2, 2, 2)  # 第二个子网格
    plt.bar(np.arange(feature_importance.shape[0]), feature_importance, tick_label=names_list,
            color=color_list)  # 画出条形图
    plt.title('feature importance')  # 子网格标题
    plt.xlabel('features')  # x轴标题
    plt.ylabel('importance')  # y轴标题
    plt.suptitle('classification result')  # 图形总标题
    plt.savefig("E:/data/out/examples.png")


    # 子网格3：
    plt.subplot(2, 2, 3)  # 第二个子网格
    plt.axis('off')
    plt.title('mean:'+str(mean),loc ='center')  # 子网格标题

    plt.subplot(2, 2, 4)  # 第二个子网格
    plt.axis('off')
    plt.title(recall_str,loc ='right')
    fig=plt.gcf()
    #自动调整绘图区的大小及间距，在cmd窗口调用脚本时绘制图位置会错乱 
    fig.tight_layout() 
    fig.savefig("E:/data/out/examples.png")
    plt.close()
    from sklearn2pmml import sklearn2pmml
    sklearn2pmml(pipeline, modelName, with_repr=True)

 

DecisionTree_main.py

 

# coding=utf-8
import sys
import model_pmml.DecisionTree2Pmml as m
#sys.argv[0] 为脚本自身
#m.main(sys.argv[1],sys.argv[2])
# m.main("E:/data/out/DecisionTreeIris.pmml","E:/data/yanshi/Iris.csv")
m.main("E:/data/out/DecisionTreeIris.pmml","E:/data/classification.csv")

 

效果图如下：

 

https://pan.baidu.com/s/1OTCPay8RusAX4Wnx_MiYqw

附带训练集的csv文件