sklearn.metrics.roc_curve使用简要说明

最新推荐文章于 2022-06-09 09:01:55 发布
最新推荐文章于 2022-06-09 09:01:55 发布
阅读量1.8w 收藏 117
点赞数 42
分类专栏： 机器学习 文章标签： roc_curve TP TPR 异度 python
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/sun91019718/article/details/101314545
版权

sklearn.metrics.roc_curve使用简要说明

一、背景说明

小哥我是一名机器学习小白，刚开始学习sklearn。像部分刚入门的小白一样被混淆矩阵搞得头昏脑胀，最近碰到朋友咨询我roc_curve返回的结果是如何生成的时候，我一脸懵逼。shift+Tab查看系统说明没有看明白(本人英语水平很弱，亲一定要学好英语)；然后，上网求助，也没有得到想要的答案。最后受这篇文章http://www.bubuko.com/infodetail-2718749.html的启发，自己重新摸索出规律，把自己一点小想法分享给大家，希望能帮助大家

二、TP、TN、FP、FN概念

在这里插入图片描述## 三、TPR、TNR、FPR、FNR概念
1、TPR=tp/(tp+fn)
TPR：即真正率或灵敏度或召回率或查全率或真正率或功效，本来为正样本的样本被预测为正样本的总样本数量÷真实结果为正样本的总样本数
另：精确度或查准率公式等于tp/(tp+fp)
准确得分计算：(tp+tn)/(tp+fp+fn+tn)
2、FNR=fn/(tp+fn) =1-TPR
FNR：即假负率，本来为正样本的样本被预测为负样本的总样本数量÷真实结果为正样本的总样本数。
相当于假设检验中，犯第二类错误概率(β)
3、FPR=fp/(fp+tn)
FPR：即假正率，本来为负样本的样本被预测为正样本的总样本数量÷真实结果为负样本的总样本数。
相当于假设检验中，犯第一类错误概率(α)
4、TNR=tn/(fp+tn)=1-FPR
TNR：即真负率或特异度，本来为负样本的样本被预测为负样本的总样本数量÷真实结果为负样本的总样本数。

四、roc_curve运行机制简单剖析

4.1、roc_curve简单介绍

4.1.1 重要参数

y_true：真实结果数据，数据类型是数组
y_score：预测结果数据，可以是标签数据也可以是概率值，数据类型是形状 与y_true一致的数组
pos_label：默认为None,只有当标签数据如{0,1}、{-1，1}二分类数据才能默认；否则需要设置正样本值

4.1.2 返回的结果

返回三个数组结果分别是fpr(假正率),tpr(召回率),threshold(阈值)

4.2、第一种情形：y_score是标签数据

4.2.1、例子

代码.

//python 代码
y_true=np.array([0, 0, 0, 1, 1, 0
最低0.47元/天 解锁文章
逆游的鲤鱼
关注
专栏目录
sklearn.metrics.roc_curve解析
qq_37972486的博客
05-11 1489
先认识单词：metrics: ['mɛtrɪks] ： 度量‘指标 curve : [kɝv] : 曲线 这个方法主要用来计算ROC曲线面积的; sklearn.metrics.roc_curve(y_true, y_score, pos_label=None, sample_weight=None, drop_intermediate=True) Parameters : y_true : 数组，shape = [样本数] 在范围{0,1}或{-1,1}中真
2.3 sklearn中的metrics.roc_curve评价指标
柳杰的博客
01-08 992
文章目录1.案例2.y_score讨论1)y_score是标签数据2）y_score是概率值 from sklearn.metrics import roc_curve roc_curve(y_true, y_score, *, pos_label=None, sample_weight=None,drop_intermediate=True) - Parameters(参数) y_true : ndarray of shape (n_samples,) 二进制标签,真实数据结果;如果标签既不是{
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 3601
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,
sklearn.metrics.roc_curve解析（转载）
super_he_pi的博客
12-18 524
转自：http://scikit-learn.org/stable/modules/classes.html#module-sklearn.metrics  
sklearn中绘制 ROC 曲线的函数 roc_curve() 解释
Stephen的博客
12-05 4万+
ROC 曲线函数 sklearn中，sklearn.metrics.roc_curve() 函数用于绘制ROC曲线。 主要参数： y_true：真实的样本标签，默认为{0，1}或者{-1，1}。如果要设置为其它值，则 pos_label 参数要设置为特定值。例如要令样本标签为{1，2}，其中2表示正样本，则pos_label=2。 y_score：对每个样本的预测结果。 pos_label：正样...
分类模型的评价指标--混淆矩阵，ROC曲线，AUC及sklearn.metrics.roc_curve参数说明
MR_Trustin的博客
06-09 5849
分类模型的评价指标--混淆矩阵，ROC，AUC
learning_curve（学习曲线）
小麦粒的Python
10-11 2万+
查看模型的学习效果； 通过学习曲线可以清晰的看出模型对数据的过拟合和欠拟合； 学习曲线：随着训练样本的逐渐增多，算法训练出的模型的表现能力； 表现能力：也就是模型的预测准确率，使用均方误差表示；学习率上体现了模型相对于训练集和测试集两类数据的均方误差。
python 将多个模型的ROC曲线绘制在一张图里（含图例）
柳奈奈的博客
08-12 1万+
将多个模型ROC曲线绘制在一张图中的python函数方法，其中包含函数、调用方法和注意事项。
以鸢尾花数据分类为例，编写程序，分别建立基于softmax、神经网络和支持向量机等方法建立多分类模型，涵盖完整的数据建模步骤，从混淆矩阵、准确率、召回率、精确率和ROC曲线等指标对比不同模型的分类性能。讨论神经网络不同隐含层个数和支持向量机参数（如核函数类型和惩罚系数等）对分类性能的影响，并绘制相应分类性能与参数变化影响的曲线。 数据集采用sklearn库下的datasets模块里的函数 图像名称用中文
最新发布
07-14
from sklearn.metrics import confusion_matrix, accuracy_score, precision_score, recall_score, roc_curve from sklearn.preprocessing import StandardScaler from sklearn.linear_model import Logistic...
逻辑回归及模型评估
qq_24946843的博客
08-20 1万+
本文通过逻辑回归分类来预测一个学生是否被录取，来熟悉python逻辑回归模型及模型的评估，数据集有需要的可以联系我qq：1344184686。 一、读入数据 #1、【读入数据】 import pandas as pd import matplotlib.pyplot as plt import numpy as np #gpa为绩点，gre为一种英语等级考试 data = pd.read_c...
curve函数 roc_sklearn.metrics.roc_curve使用说明
weixin_42298062的博客
02-23 4087
roc曲线是机器学习中十分重要的一种学习器评估准则，在sklearn中有完整的实现，api函数为sklearn.metrics.roc_curve(params)函数。不过这个接口只限于进行二分类任务。！下面主要是对官方接口做一下翻译。接口函数 sklearn.metrics.roc_curve(y_true,y_score,pos_label=None,sample_weight=No...
关于sklearn.metrics.roc_curve的踩坑指南(代码+详细分析)
shary_cao的博客
04-08 1万+
问题描述 在使用sklearn.metrics.roc_curve过程中可能会遇见以下两种问题： 1.混淆矩阵与ROC曲线严重不符 如你的混淆矩阵长这样（图左），而你的ROC曲线长这样（图右） 2.报错No positive samples in y_true UndefinedMetricWarning: No positive samples in y_true, true positive value should be meaningless warnings.warn("...
sklearn.metrics.roc_curve用法
hh1294212648的博客
08-28 2万+
roc_curve ROC曲线指受试者工作特征曲线/接收器操作特性(receiver operating characteristic，ROC)曲线,是反映灵敏性和特效性连续变量的综合指标,是用构图法揭示敏感性和特异性的相互关系，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。ROC曲线是根据一系列不同的二分类方式（分界值或决定阈），以真正例率（也就是灵敏度）（Tru
roc_curve（）的用法及用途
qq_42479987的博客
04-13 1万+
来源及说明 来源于 sklearn 库的 metrics.roc_curve 主要用来计算ROC曲线面积。 sklearn.metrics.roc_curve(y_true, y_score, *, pos_label=None, sample_weight=None, drop_intermediate=True) 输入参数： y_true : ndarray of shape (n_samples,) #真实的二进制标签。如果标签不是{-1，1}或{0，1}，那么pos_la
sklearn.metrics.roc_curve理解
猫敷雪
12-21 777
首先我们拿一个例子来解释： import numpy as np from sklearn import metrics y = np.array([1, 1, 2, 2]) scores = np.array([0.1, 0.4, 0.35, 0.8]) fpr, tpr, thresholds = metrics.roc_curve(y, scores, pos_label=2) (arra...
Python下使用sklearn绘制ROC曲线（超详细）
热门推荐
hesongzefairy的博客
02-14 7万+
pass
metrics.roc_curve与r2_score
ronghwa_lu
10-24 487
ROC曲线 链接1：https://blog.csdn.net/sun91019718/article/details/101314545 讲解了fpr,tpr,threshold=roc_curve(y_true,y_score) 阈值是y_score内的元素去重后加入一个‘最大值+1’的值降序排序后组成的数据,每一个元素作为阈值，数据类型是一维数组。比如:y_score=np.array([0, 1, 2,0,3,1])对应的threshold=np.array([4, 3, 2,1,0]) y_tr
利用sklearn.metrics.roc_curve绘制roc曲线
05-24
首先，我们需要导入需要的库： ```python import numpy as np import matplotlib.pyplot as plt from sklearn.metrics import roc_curve, roc_auc_score ``` 接下来，我们可以生成一些模拟数据： ```python y_true = np.array([0, 0, 1, 1, 1, 0, 0, 1, 1, 1]) y_scores = np.array([0.1, 0.3, 0.4, 0.6, 0.7, 0.2, 0.25, 0.8, 0.9, 0.95]) ``` 其中，`y_true` 是真实标签，`y_scores` 是预测分数（或概率）。 然后，我们可以使用 `sklearn.metrics.roc_curve` 函数计算 ROC 曲线的 FPR（false positive rate）和 TPR（true positive rate）： ```python fpr, tpr, thresholds = roc_curve(y_true, y_scores) ``` 最后，我们可以使用 matplotlib 库绘制 ROC 曲线： ```python plt.plot(fpr, tpr) plt.title('ROC Curve') plt.xlabel('False Positive Rate') plt.ylabel('True Positive Rate') plt.show() ``` 完整代码如下： ```python import numpy as np import matplotlib.pyplot as plt from sklearn.metrics import roc_curve, roc_auc_score # 模拟数据 y_true = np.array([0, 0, 1, 1, 1, 0, 0, 1, 1, 1]) y_scores = np.array([0.1, 0.3, 0.4, 0.6, 0.7, 0.2, 0.25, 0.8, 0.9, 0.95]) # 计算 ROC 曲线 fpr, tpr, thresholds = roc_curve(y_true, y_scores) # 绘制 ROC 曲线 plt.plot(fpr, tpr) plt.title('ROC Curve') plt.xlabel('False Positive Rate') plt.ylabel('True Positive Rate') plt.show() ``` 运行上述代码，即可得到 ROC 曲线图像。
评论 7
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