python绘制ROC曲线

最近画ROC曲线遇到了些困难，解决后留个档，分享一下，希望能帮助到有同样问题的大家~

问题：

画出来的ROC图像只有一个折点（图1），但正确的ROC曲线应该是看起来圆润的（图2），那么如何画正确的图像？

问题所在：要用预测的score分数（选择正类概率），而非预测的标签与真实标签进行ROC计算！

 先以逻辑回归为例：

from sklearn.model_selection import train_test_split  from sklearn.linear_model import LogisticRegression

X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2)  # 分数据集

model = LogisticRegression()
model.fit(X_train, y_train)
y_scores = model.predict_proba(X_test)[:, 1]  # 选择正类的概率！

fpr1, tpr1, thread1 = roc_curve(y_test, y_scores)  # 注意用的是y_scores！
roc_auc = auc(fpr1, tpr1)

# 绘图
plt.figure()
lw = 2
plt.plot(fpr1, tpr1, color='darkred',
         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('ROC')
plt.legend(loc="lower right")
plt.savefig('roc.png')
plt.show()

这里的y_scores是概率哦，后续再绘图就是正确的啦。

再多算几个SVM、随机森林的score：

# SVM
from sklearn.svm import SVC
svm_model = SVC(probability=True)
svm_model.fit(X_train, y_train)
y_scores_svm = svm_model.predict_proba(X_test)[:, 1]  # 选择正类的概率！
y_pred_svm = svm_model.predict(X_test)  # 计算准确率
print("SVM Accuracy:", accuracy_score(y_test, y_pred_svm))

# 随机森林
from sklearn.ensemble import RandomForestClassifier
rf_model = RandomForestClassifier(random_state=0)
rf_model.fit(X_train, y_train)
y_scores_rf = rf_model.predict_proba(X_test)[:, 1]  # 选择正类的概率！
y_pred_rf = rf_model.predict(X_test)  # 计算准确率
print("Random Forest Accuracy:", accuracy_score(y_test, y_pred_rf))

深度学习也是一样，举个小例子：

import torch  
import numpy as np  
from torch.utils.data import DataLoader  
import seaborn as sns  
import matplotlib.pyplot as plt  
from sklearn.metrics import roc_curve, auc
  
# 加载模型  
device = torch.device("cuda" if torch.cuda.is_available() else "cpu") # 调到GPU 
model = net(hidden_size=512) # 调模型
weight = torch.load('./model.pth', map_location=device) # 训练的最佳参数权重
model.load_state_dict(weight,strict=False) 
model = model.to(device)
model.eval()  # 将模型设置为评估模式  
  
# 存储预测分数概率
y_score = []

with torch.no_grad():  # 不需要计算梯度  
    for data, target in dataloader_test:  
        data = data.to(device)  # 将数据移到正确的设备上  
        output = model(data)  # 获取模型的输出 
        y_score.extend(output.cpu().numpy()) # 存储分数概率

# 计算ROC
fpr, tpr, thread = roc_curve(y_test, y_score)
roc_auc = auc(fpr, tpr)

# 后续绘图同上

如果想在一张图上同时绘制多条ROC曲线：

# 绘图
plt.figure()
lw = 2
plt.plot(fpr, tpr, color='darkorange',
         lw=lw, label='SVM ROC curve (area = %0.2f)' % roc_auc1)
plt.plot(fpr1, tpr1, color='green',
         lw=lw, label='Random forest ROC curve (area = %0.2f)' % roc_auc2)
plt.plot(fpr,tpr,color = 'darkred',label = 'deproc area:(%0.2f)'%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.show()

这里由于数据量较少原因，图也没有特别特别圆润哈哈，依然存在折线，不过也是正确的！

未来遇到其代码问题，也将持续分享~希望能帮助到大家！加油！