curve函式 roc ROC曲線繪製方法

roc（receiver operating characteristic）曲線即受試者工作特徵曲線。roc曲線與座標軸圍成的面積被稱為auc（area under curve），這兩個指標和敏感性、特異性和準確性一起，是評估演算法模型效能常用的指標。

在進一步介紹roc曲線如何繪製之前，先引入幾個概念。tp（true positives），tn（true negatives），fp（false positives），fn（false negatives）分別為陽性樣本正確分類數量、陰性樣本正確分類數量、陽性樣本錯誤分類數量以及陰性樣本錯誤分類數量。

陽性樣本正確分類數量佔陽性樣本總數的比例tpr（即敏感性，sensitivity），陰性樣本正確分類的數量佔陰性樣本總數的比例fpr（即1-特異性，1-specificity）計算如下：

（陽性樣本被判斷為陽性/陽性樣本總數）

（陰性樣本被判斷為陽性/陰性樣本總數）

roc曲線橫座標為fpr，縱座標為tpr。roc曲線直觀上反映了模型在選擇不同閾值的時候敏感性與1-特異性的趨勢走向。

繪製roc曲線需要得到輸出結果的概率。對於普通數值型輸入，模型測試時在輸出部分增加softmax函式，然後取陽性概率值。

gt = torch.floattensor()
pd = torch.floattensor()
output_sfmx = torch.softmax(logits, dim=1)[:,1] # 取輸出結果的概率，並取第二列
pd = torch.cat((pd, output_sfmx.data.cpu()),0) # 目標值 
gt = torch.cat((gt, label.float().cpu()),0)
roc_data = 
df = pd.dataframe(roc_data) # 把輸出的概率和目標組合稱dataframe形式，然後儲存，用於下一步繪製roc去曲線
df.to_csv('.resultsroc_data_bce_%d.csv' % k)

得到目標值和輸出概率之後，借助於sklearn.metrics中的roc_curve和auc方法進行繪圖和計算。

import pandas as pd
from matplotlib import pyplot as plt
from sklearn.metrics import roc_curve, auc
import os
plt.style.use('classic')
path = r'c:usersphantomdesktoproc_datatable1'
files = os.listdir(path)
fprs = 
tprs = 
aucs=
for i,file in enumerate(files):
pf = os.path.join(path,file)
df = pd.read_csv(pf)
pred = df.iloc[:, 1].tolist()
target = df.iloc[:, 2].tolist()
fpr, tpr, thresholds = roc_curve(target,pred) #計算fpr和tpr，用於下一步繪圖和auc計算
plt.plot(fprs[0],tprs[0], lw=1.5, label="w-y, auc=%.3f)"%aucs[0])
plt.plot(fprs[1],tprs[1], lw=1.5, label="y-y, auc=%.3f)"%aucs[1] )
plt.plot(fprs[2],tprs[2], lw=1.5, label="w-w, auc=%.3f)"%aucs[2] )
plt.xlabel("fpr",fontsize=15)
plt.ylabel("tpr",fontsize=15)
plt.title("roc")
plt.legend(loc="lower right")
plt.show()

最後結果：

參考：[1]

[2]

curve函式 roc ROC曲線繪製方法

curve函式 roc R語言畫ROC曲線總結

logsig tansig relu函式曲線繪製

CAD二次開發Curve類函式

curve函式 roc ROC曲線繪製方法

curve函式 roc R語言畫ROC曲線總結

logsig tansig relu函式曲線繪製

CAD二次開發Curve類函式

相關推薦