ROC与AUC曲线绘制

由于ROC曲线面积比较难求得，所以判断模型好坏一般使用AUC曲线

关于AUC曲线的绘制，西瓜书上写得比较学术，不太能理解，假设有这么一个样本集：

假设预测样本为20个，预测为正类的概率已经进行了排序，得分递减，画图步骤为：

(1) 在所排序的样本最左边，画一条线即无 | 1 2 3 4 5 …，线左边的认为是正类，右边认为是负类，可以算出，TP(实际为正，预测为正)=0，FN(实际为正，预测为负)=10，TN(实际为负，预测为负)=10，FP(实际为负，预测为正)=0，故而TPR=0，FPR=0

(2) 在第一个样本后面，画一条线即 1 | 2 3 4 …，线左边的认为是正类，右边认为是负类，可以算出，TP(实际为正，预测为正)=1，FN(实际为正，预测为负)=9，TN(实际为负，预测为负)=10，FP(实际为负，预测为正)=0，故而TPR=0.1，FPR=0

(3) 在第二个样本后面，画一条线即 1 2| 3 4 …，线左边的认为是正类，右边认为是负类，可以算出，TP(实际为正，预测为正)=2，FN(实际为正，预测为负)=8，TN(实际为负，预测为负)=10，FP(实际为负，预测为正)=0，故而TPR=0.2，FPR=0

(4) 在第三个样本后面，画一条线即 1 2 3| 4 5…，线左边的认为是正类，右边认为是负类，可以算出，TP(实际为正，预测为正)=2，FN(实际为正，预测为负)=8，TN(实际为负，预测为负)=10，FP(实际为负，预测为正)=1，故而TPR=0.2，FPR=0.1

... ...

依次例推：起点一定为（0,0），终点一定为（1,1），由此即可画出AUC曲线

但这样做比较繁琐，可以总结规律为：

按照预测为正类的概率值由大到小排序，首先起点一定是(0,0)，然后使用上述划线法进行计算，每次碰到一个预测为正的样本，则在Y方向加一个Y步长，否则在X方向加一个X步长，其中X和Y的步长，计算方法为X: 负类样本个数分之1，Y：正类样本个数分之1，如果是降序排列，则是减一个对应方向的步长即可。

代码部分：

import numpy as np
import matplotlib.pyplot as plt
from matplotlib.font_manager import FontPropertiesdef plotROC(predStrengths,classLabels):font = FontProperties(fname = r"c:\windows\fonts\simsun.ttc",size=14)cur=(1.0,1.0)             #绘制光标位置ySum=0.0                  #用于计算AUCnumPosClas=np.sum(np.array(classLabels)==1.0)  #正类样本的个数yStep = 1/float(numPosClas)                    #Y轴步长xStep = 1/float(len(classLabels)-numPosClas)   #X轴步长
sortedIndicies = predStrengths.argsort()fig =plt.figure()fig().clf()ax=plt.figure()for inddex in sortedIndicies.tolist()[0]:if classLabels[index]==1.0delX=0; delY = yStep   #碰到一个正类，Y的步长减 1else:delX = xStep; delY=0   #碰到一个负类，X的步长减1ySum += cur[1]         #每次cur[1]都可能变化了       #高度累加ax.plot([cur[0],cur[0]-delX],[cur[1],cur[1]-delY],c = 'b')   #绘制ROCcur = (cur[0]-delX,cur[1]-delY)                         #更新绘制光标的位置ax.plot([0,1],[0,1],'b--')plt.title('ROC曲线'，FontProperties =font)plt.xlabel('假正例率'，FontProperties = font)plt.ylabel(('真正例率',FontProperties = font))ax.axis([0,1,0,1])print('AUC面积：',ySum*xStep)                         #计算AUCplt.show()

转载于:https://www.cnblogs.com/roscangjie/p/11173900.html

ROC与AUC曲线绘制相关推荐

机器学习：性能度量篇-Python利用鸢尾花数据绘制ROC和AUC曲线
文章目录前言一.ROC与AUC 1.ROC 2.AUC 二.代码实现总结前言内容接上一篇机器学习:性能度量篇-Python利用鸢尾花数据绘制P-R曲线_fanstuck的博客-CSDN博客_ ...
二分类及多分类ROC和PR曲线绘制
目录 1.二分类曲线 1.1 二分类ROC曲线 1.2 二分类PR曲线 2.多分类曲线 2.1多分类ROC曲线 2.2 多分类PR曲线前两天2022年第二届全国高校大数据竞赛已经落下帷幕,比赛中也用 ...
roc与auc曲线的理解
roc:专业术语称为"受试者工作特征"(Receiver Operating Characteristic)曲线:它是真正例与假正例比值:首先后面两字"正例"就 ...
roc曲线和auc_roc和auc曲线的初学者指南
roc曲线和auc 博客结构(Blog Structure) As can be seen in the title above, the purpose of this blog is to gai ...
模型评估指标_精准率、召回率、F1-score、ROC曲线、AUC曲线
一.分类结果混淆矩阵 1.T.F.P.N辨析 P(Positive).N(Negative)针对的是预测值的结果. P表示对样本的预测结果为正例, N表示对样本的预测结果为反例. T(True).F( ...
ROC曲线绘制原理即AUC的意义详解
云走雾走走行程,救苦救难救灾星有求必应,出古洞四海扬名,在深山修真养性 ROC曲线绘制原理即AUC意义详解 ROC曲线绘制原理 ROC曲线常常用来判定一个分类器的分类效果,想要探究ROC曲线的绘制原 ...
机器学习之支持向量机SVM之python实现ROC曲线绘制（二分类和多分类）
目录一.ROC曲线二.TP.FP.TN.FN 三. python绘制ROC曲线(二分类) 1.思路 2.关键代码 3.完整代码四. python绘制ROC曲线(多分类) 五.参考文献一.ROC ...
分类性能度量指标：准确性(AC)、敏感性(SE)、特异性(SP)、F1评分、ROC曲线、PR(Precision-Recall)曲线、AUC曲线，混淆曲线
一:比较容易理解的比喻以糖尿病人的筛查为例.第一个钟形代表正常人,第二个钟形代表糖尿病人.理想中,如果正常人和糖尿病人的血糖范围完全没有重合就好了.这样我就把标准定在中间那个最低点.低于此点的,就是 ...
建模知识2： ROC、AUC、K-S曲线
1.混淆矩阵(confusion matrix) 一个二分问题,即将实例分成正类(positive)或负类(negative).对一个二分问题来说,会出现四种情况.如果一个实例是正类并且也被预测成正类 ...

ROC与AUC曲线绘制

ROC与AUC曲线绘制相关推荐

最新文章

热门文章