# -*- coding: utf-8 -*-
import numpy as np
import matplotlib.pyplot as plt
from sklearn import svm, datasets
from sklearn.metrics import roc_curve, auc ###计算roc和auc
from sklearn import cross_validation
from pandas import DataFrame,Series
import pandas as pd
import os
import re
def ROC(path):
df=pd.read_csv(path)
y_test=df['label']
y_score=df['probability']
## Compute ROC curve and ROC area for each class
fpr,tpr,threshold = roc_curve(y_test, y_score) ###计算真正率和假正率
roc_auc = auc(fpr,tpr) ###计算auc的值
return fpr,tpr,roc_auc
auc_list=[];tf_list=[]
plt.figure()
lw = 2
plt.figure(figsize=(10,10))
for root, dirs, files in os.walk("C:/Users/dell/Desktop/ROC/", topdown=False):
for name in files:
dir_f=os.path.join(root, name)
if re.search('val_predict.csv',dir_f):
fpr,tpr,roc_auc=ROC(path=
python 绘制ROC图像
最新推荐文章于 2024-08-22 08:51:11 发布
本文详细介绍了如何使用Python进行ROC(Receiver Operating Characteristic)曲线的绘制,包括必要的理论背景、关键库的导入、数据处理及ROC曲线绘制步骤,旨在帮助读者理解和实践ROC曲线在二分类问题中的应用。
摘要由CSDN通过智能技术生成