赞
踩
二分类问题中常涉及ROC曲线绘制和AUC值得计算。
关于ROC曲线的概念,详见ROC/AUC曲线学习及Python实现_python auc曲线_Joker 007的博客-CSDN博客
本文主要介绍绘制ROC曲线的python实现。
1. 将预测值与标签存储在txt文件中
- f = open('/data1/code/test_score.txt','w') # 新建并打开一个txt文件,'w'表示写入模式
-
- # 获取标签label和模型预测结果predict的过程此处省略
-
- f.write('%s %s\n'%(predict,label)) # 将预测值和标签写入txt文件
2. 读取txt文件,取出数据,绘制图像
- import numpy as np
- import matplotlib.pyplot as plt
- from sklearn.metrics import roc_curve, auc
-
- # np.loadtxt可以直接加载.txt文件中的数据
- # 第1个参数是文件路径,第2个读取的数据类型,第3个参数是分隔标志(这里示例以空格为标志分隔)
- data_loss = np.loadtxt("/data1/code/test_score.txt", dtype=float, delimiter=' ')
-
- y_pred = data_loss[:,0] # 横坐标为所有行的第0列,即预测值
- y_true = data_loss[:,1] # 纵坐标为所有行的第1列,即实际标签
-
- # 计算AUC和fpr,tpr
- fpr, tpr, threshold = roc_curve(y_true, y_pred)
- roc_auc = auc(fpr,tpr)
- print('AUC-predict_depth:',roc_auc)
-
- plt.plot(fpr, tpr, 'c-', label = u'CDCN-Slabel') # 自变量,因变量,颜色,图例名称
- # 如需将多个曲线画在同一个图上,只需在此处再添加一遍7-17行的代码就行,记得改路径和变量名称
-
- plt.title('ROC of xxx') # 图名称
- plt.legend() # 图例的位置,可以有参数,无参数的话默认右上角
- plt.xlabel(u'FPR') # 横轴名称
- plt.ylabel(u'TPR') # 纵轴名称
- plt.savefig('xxx.png') # 保存图片

3. 曲线颜色种类详见[matplotlib] 颜色设置及Matplotlib颜色对照表 - 知乎 (zhihu.com)
Copyright © 2003-2013 www.wpsshop.cn 版权所有,并保留所有权利。