roc曲线python实现_ROC曲线的绘制，python实现

ROC

结果

源数据:鸢尾花数据集（仅采用其中的两种类别的花进行训练和检测）

Summary

features：['sepal length (cm)', 'sepal width (cm)', 'petal length (cm)', 'petal width (cm)']

实例：[5.1, 3.5, 1.4, 0.2]

target：'setosa' 'versicolor' （0 , 1）

采用回归方法进行拟合得到参数和bias

model.fit(data_train, data_train_label)

对测试数据进行预测得到概率值

res = model.predict(data[:100])

与训练集labels匹配后进行排序（从大到小）

pred labels

68 0.758208 1

87 0.753780 1

76 0.745833 1

50 0.743156 1

65 0.741676 1

75 0.739117 1

62 0.738255 1

54 0.737036 1

52 0.733625 1

77 0.728139 1

86 0.727547 1

74 0.726261 1

58 0.725150 1

71 0.724719 1

36 0.724142 0

14 0.723990 0

31 0.721648 0

41 0.720308 0

72 0.717723 1

79 0.712833 1

97 0.705148 1

51 0.702838 1

35 0.702203 0

98 0.701731 1

92 0.701106 1

82 0.700661 1

53 0.700465 1

18 0.699350 0

16 0.696915 0

64 0.693333 1

.. ... ...

33 0.658937 0

96 0.656761 1

30 0.656279 0

57 0.655673 1

4 0.652616 0

85 0.648620 1

59 0.648586 1

19 0.646965 0

70 0.646262 1

88 0.644482 1

8 0.643191 0

38 0.642704 0

3 0.640933 0

55 0.640630 1

47 0.640444 0

95 0.639552 1

13 0.639050 0

22 0.638485 0

29 0.635590 0

90 0.634376 1

37 0.632224 0

6 0.631119 0

46 0.630037 0

11 0.629718 0

66 0.627807 1

42 0.624795 0

44 0.621703 0

32 0.614932 0

24 0.603874 0

84 0.603249 1

计算训练集中正确的个数与非正确的个数

运用一下的算式进行TPR和FPR的计算

index = 0

for i in sorted_mat.values:

if i[1] == 0:

TPR.append(TPR[index])

FPR.append(FPR[index] + 1.0/F_num)

else:

TPR.append(TPR[index] + 1.0/T_num)

FPR.append(FPR[index])

index += 1

最后进行TPR和FPR的描绘