在Python中使用sklearn的OneClassSVM进行AUC绘图时遇到困难，因为OneClassSVM的混淆矩阵只有真阳性（TP）和假阴性（FN），导致计算AUC时出现ValueError。解决方案是由于OneClassSVM不支持转化为概率得分，所以不能直接用于ROC曲线。可以计算决定函数的最大值(MAX)，然后用MAX减去每个观测值的决定函数结果作为预测得分。这样可以用来估算非阈值得分，如平均精度召回率。但要注意，对于严重不平衡的OneClassSVM情况，ROC曲线可能无法准确反映对少数类别的成功度。
I have difficulty in plotting OneClassSVM's AUC plot in python (I am using sklearn which generates confusion matrix like [[tp, fp],[fn,tn]] with fn=tn=0.
from sklearn.metrics import roc_curve, auc
fpr, tpr, thresholds = roc_curve(y_test, y_nb_predicted)
roc_auc = auc(fpr, tpr) # this generates ValueError[1]
print "Area under the ROC curve : %f" % roc_auc
plt.plot(fpr, tpr, label='ROC curve (area = %0.2f)' % roc_auc)
I want to handle error [1] and plot AUC for OneClassSVM.
[1] ValueError: Input contains NaN, infinity or a value too large for dtype('float64').
解决方案
Please see my answer on a similar question. The gist is:
OneClassSVM fundamentally doesn't support converting a decision into a probability score, so you cannot pass the necessary scores into functions t
最低0.47元/天 解锁文章
扫一扫
4311
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
