roc曲线绘制软件（ROC曲线绘制（Python））

首先以支持向量机模型为例

先导入需要使用的包    
    
    
，我们将使用roc_curve这个函数绘制ROC曲线！

from sklearn.svm import SVC from sklearn.metrics import roc_curve from sklearn.datasets import make_blobs from sklearn. model_selection import train_test_split import matplotlib.pyplot as plt %matplotlib inline

然后使用下面make_blobs函数 


     


     


     ，生成一个二分类的数据不平衡数据集；

使用train_test_split函数划分训练集和测试集数据；

训练SVC模型
    
    
    
。

X,y = make_blobs(n_samples=(4000,500), cluster_std=[7,2], random_state=0) X_train,X_test,y_train, y_test = train_test_split(X,y,random_state=0) clf = SVC(gamma=0.05).fit(X_train, y_train) fpr,tpr, thresholds = roc_curve(y_test,clf.decision_function(X_test)) plt.plot(fpr,tpr,label=ROC) plt.xlabel(FPR) plt.ylabel(TPR)

从上面的代码可以看到

 




 




 



，我们使用roc_curve函数生成三个变量   

   

   

，分别是fpr,tpr, thresholds  

     

     

    ，也就是假正例率（FPR）
    
    
    
、真正例率（TPR）和阈值     


     


     


。

而其中的fpr,tpr正是我们绘制ROC曲线的横纵坐标


  




  




  


，于是我们以变量fpr为横坐标  


  


  


，tpr为纵坐标   
     
     
   ，绘制相应的ROC图像如下：

值得注意的是上面的支持向量机模型使用的decision_function函数



   




   




   

，是自己所特有的 



 



 



，而其他模型不能直接使用 




 




 




 。

比如说我们想要使用其他模型（例如决策树模型）的结果绘制ROC,直接套用上面的代码                ，会报错




    




    




    
，会显示没有这个函数

   

   

   
。

以决策树模型为例














，解决上述问题（适用于除向量机外的模型）

导入决策树模型包以及训练模型的代码省略了                ，只需要手动改一改就行了



     



     



     ，我们直接看绘图的代码！

fpr,tpr, thresholds = roc_curve(y_test,clf.predict_proba(X_test)[:,1]) plt.plot(fpr,tpr,label=ROC) plt.xlabel(FPR) plt.ylabel(TPR)

可以看到我们直接把只适用于支持向量机模型的函数decision_function更改成predict_proba(X_test)[:,1]就行了















，让我们看看结果：

可以看到哈    
    
    
，决策树模型在这个数据集上的泛化能力不如支持向量机哈！！！学废了吗     

     

     

。

更好看的画法

auc = roc_auc_score(y_test,clf.predict_proba(X_test)[:,1]) # auc = roc_auc_score(y_test,clf.decision_function(X_test)) fpr,tpr, thresholds = roc_curve(y_test,clf.decision_function(X_test)) plt.plot(fpr,tpr,color=darkorange,label=ROC curve (area = %0.2f) % auc) plt.plot([0, 1], [0, 1], color=navy, lw=2, linestyle=--) plt.xlim([0.0, 1.0]) plt.ylim([0.0, 1.05]) plt.xlabel(False Positive Rate) plt.ylabel(True Positive Rate) plt.title(Receiver operating characteristic example) plt.legend(loc="lower right") plt.savefig(suhan.jpg,dpi=800) plt.show()