ROC曲线的绘制，python实现

Posted 2020-12-12 我有颗小粒的痣

ROC

---

结果

源数据:鸢尾花数据集（仅采用其中的两种类别的花进行训练和检测）

Summary

features：[‘sepal length (cm)‘, ‘sepal width (cm)‘, ‘petal length (cm)‘, ‘petal width (cm)‘]

实例：[5.1, 3.5, 1.4, 0.2]
target：‘setosa‘ ‘versicolor‘ （0 , 1）

采用回归方法进行拟合得到参数和bias

model.fit(data_train, data_train_label)

对测试数据进行预测得到概率值

res = model.predict(data[:100])

与训练集labels匹配后进行排序（从大到小）

        pred  labels
68  0.758208       1
87  0.753780       1
76  0.745833       1
50  0.743156       1
65  0.741676       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  0.701731       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

计算训练集中正确的个数与非正确的个数
运用一下的算式进行TPR和FPR的计算

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

最后进行TPR和FPR的描绘