ROC曲线是评估模型效果的重要工具,其X轴为假阳性率,Y轴为真阳性率(也叫召回率recall),其意义在于,在真阳性率时,模型同时判错阳性的样本比例,因此曲线越陡,越表示模型效果好。ROC曲线下AUC面积越大表示模型效果越好,我们可以利用sklearn 中的roc_curve函数方便的画ROC曲线。
#导入要用到的库
# load the package
import numpy as np
import pandas as pd
from sklearn.metrics import roc_curve
from sklearn.metrics import accuracy_score as ACC
from sklearn.metrics import roc_auc_score as AUC
import matplotlib.pyplot as plt
#导入测试数据集的预测概率结果
test_prob = pd.read_csv("result_5f/holdout_prob.csv", index_col=0, header=0)