roc
結果源資料:鳶尾花資料集（僅採用其中的兩種類別的花進行訓練和檢測）
summary
features：['sepal length (cm)', 'sepal width (cm)', 'petal length (cm)', 'petal width (cm)']
例項：[5.1, 3.5, 1.4, 0.2]
target：'setosa' 'versicolor' （0 , 1）
採用回歸方法進行擬合得到引數和bias
model.fit(data_train, data_train_label)
對測試資料進行**得到概率值
res = model.predict(data[:100]程式設計客棧)
與訓練集labels匹配後進行排序（從大到小）
pred labels
6程式設計客棧8 0.758208 1
87 0.753780 1
76 0.745833 1
50 0.743156 1
65 0.vpwukckeu741676 1
75 0.739117 1
62 0.738255 1
54 0.737036 1
52 0.733625 1
77 0.728139 1
86 0.727547 1
74 0.726261 1
58 0.725150 1
71 0.724719 1
36 0.724142 0
14 0.723990 0
31 0.721648 0
41 0.720308 0
72 0.717723 1
79 0.712833 1
97 0.705148 1
51 0.702838 1
35 0.702203 0
98 0.701www.cppcns.com731 1
92 0.701106 1
82 0.700661 1
53 0.700465 1
18 0.699350 0
16 0.696915 0
64 0.693333 1
.. ... ...
33 0.658937 0
96 0.656761 1
30 0.656279 0
57 0.655673 1
4 0.652616 0
85 0.648620 1
59 0.648586 1
19 0.646965 0
70 0.646262 1
88 0.644482 1
8 0.643191 0
38 0.642704 0
3 0.640933 0
55 0.640630 1
47 0.640444 0
95 0.639552 1
13 0.639050 0
22 0.638485 0
29 0.635590 0
90 0.634376 1
37 0.632224 0
6 0.631119 0
46 0.630037 0
11 0.629718 0
66 0.627807 1
42 0.624795 0
44 0.621703 0
32 0.614932 0
24 0.603874 0
84 0.603249 1
計算訓練集中正確的個數與非正確的個數
運用一下的算式進行tpr和fpr的計算
index = 0
for i in sorted_mat.values:
if i[1] == 0:
tpr.append(tpr[index])
fpr.append(fpr[index] + 1.0/f_num)
else:
tpr.append(tpr[index] + 1.0/t_num)
fpr.append(fpr[index])
index += 1
最後進行tpr和fpr的描繪程式設計客棧
本文標題: 基於python實現roc曲線繪製廣場解析
本文位址:
ROC曲線及其matlab實現ROC曲線的繪畫
roc曲線 receiver operating characteristic curve 是利用classification模型真正率 true positive rate 和假正率 false positive rate 作為座標軸，圖形化表示分類方法的準確率的高低。roc圖的一些概念定義 真正...
python 繪製ROC曲線
簡述 機器學習很多是為測試樣本產生乙個 值，然後將這個 值與閾值進行對比，若大於閾值則分為正類，否則分為反類。這個 值的好壞，直接決定了學習器泛化能力。根據這個 值，我們可以對測試樣本進行排序，最可能 是正例的排在最前面，最不可能 是正例的排在最後面。這樣，分類過程就相當於在這個排序中以某個截斷點將...
ROC曲線 PR曲線
在 的結果分析中，roc和pr曲線是經常用到的兩個有力的展示圖。1.roc曲線 roc曲線 receiver operating characteristic 是一種對於靈敏度進行描述的功能影象。roc曲線可以通過描述真陽性率 tpr 和假陽性率 fpr 來實現。由於是通過比較兩個操作特徵 tpr和...