PR曲线和ROC曲线

PR曲线介绍

ROC曲线介绍

代码实现

test_Y是真实值，test_Y_pred是预测值

法一：调用库函数

from sklearn.metrics import precision_recall_curve, roc_curve, roc_auc_score
import matplotlib.pyplot as plt

precision, recall, thresholds = precision_recall_curve(test_Y, test_Y_pred)
false_positive_ratio, true_positive_ratio, thresholds = roc_curve(test_Y, test_Y_pred)

# 绘制PR曲线
plt.plot(recall, precision)
plt.xlabel('Recall')
plt.ylabel('Precision')
plt.title('P-R Curve')
plt.grid(True)
plt.show()

# 绘制ROC曲线
plt.plot(false_positive_ratio, true_positive_ratio)
plt.xlabel('False positive ratio')
plt.ylabel('Recall')
plt.title('ROC Curve')
plt.grid(True)
plt.show()

法二：手写

# 将预测概率值和真实标签按照预测概率值从高到低排序
sorted_index = np.argsort(test_Y_pred.flatten())[::-1]
# print(f"sort:{sorted_index}, {len(sorted_index)}")
y_pred_sorted = np.array(test_Y_pred[sorted_index])
y_true_sorted = np.array(test_Y[sorted_index])

precision = []  # 查全率，也是真正例率
recall = []   # 查准率
false_positive_ratio = []   # 假正例率
true_positive_ratio = []    # 真正例率，即查全率
tp = 0  # TP
fp = 0  # FP
tp_fn = np.sum(y_true_sorted == 1)     # TP+FN
tn_fp = np.sum(y_true_sorted == 0)     # TN+FP
# 以每个预测概率值为阈值
for i in range(len(y_pred_sorted)):
    tp_fp = i + 1   # TP+FP
    for j in range(0, tp_fp):
        if y_true_sorted[j] == 1:
            tp += 1
        else:
            fp += 1
    precision_value = tp / tp_fp   # 查准率precision
    recall_value = tp / tp_fn   # 查全率recall
    false_positive = fp / tn_fp  # 假正例率
    true_positive = recall_value  # 真正例率

    precision.append(precision_value)
    recall.append(recall_value)
    false_positive_ratio.append(false_positive)
    true_positive_ratio.append(true_positive)
    tp = 0      # 这一步不要忘了！！！
    fp = 0

# 绘制PR曲线
plt.plot(recall, precision)
plt.xlabel('Recall')
plt.ylabel('Precision')
plt.title('P-R Curve')
plt.grid(True)
plt.show()

# 绘制ROC曲线
plt.plot(false_positive_ratio, true_positive_ratio)
plt.xlabel('False positive ratio')
plt.ylabel('True positive ratio')
plt.title('ROC Curve')
plt.grid(True)
plt.show()

两个方法画出来的图像都是一样的