ROC曲线学习

Posted 2021-03-02 qi-yuan-008

tags:

篇首语：本文由小常识网(cha138.com)小编为大家整理，主要介绍了ROC曲线学习相关的知识，希望对你有一定的参考价值。

ROC曲线：全称 Receiver Operating Characteristic曲线，即受试者工作特性曲线，在机器学习领域常用于判断分类器的好坏。

要了解ROC曲线，首先要了解该曲线的横纵坐标 —— FPR（1-特异度）和TPR（召回率或者灵敏度）。

1. 基本概念 —— 混淆矩阵

技术图片

绘制混淆矩阵：https://www.cnblogs.com/qi-yuan-008/p/11675499.html

2. ROC曲线的横坐标是FPR值，纵坐标是TPR值；每指定一个threshold，就对应一个FPR-TPR值对。

threshold 表示的是：测试样本中每个样本预测为正的概率，并且从大到小排列。

AUC的值表示的是：ROC曲线下方区域的面积大小 —— 即对曲线进行积分所得；一般来说，AUC的值越大，分类器的分类性能越好。

3. Python绘制ROC曲线：

以支持向量机分类为例，假设训练样本为：x_train，y_train，测试样本为：x_test，y_test

from sklearn.svm import SVC
from sklearn.metrics import confusion_matrix
from sklearn import metrics
import matplotlib.pyplot as plt

def svm_func(x_train,y_train,x_test,y_test):
    clf = SVC(kernel = ‘linear‘, verbose=True)
    clf.fit(x_train,y_train)
    pred = clf.predict(x_test)

    #混淆矩阵， labels为数据中各类标签值，这里0为负样本，2为正样本
    cm = confusion_matrix(y_test, pred, labels=[0, 2]) #纵坐标是y_test，横坐标是pred
    print(cm)

    # 绘制ROC曲线
    fpr, tpr, thresholds = metrics.roc_curve(y_test, pred, pos_label=2) # pos_label表示选定该标签是正，其他的均为负，绘制ROC曲线
    auc = metrics.auc(fpr, tpr)  #计算AUC值
    
    # # 设置绘图风格
    plt.figure()
    plt.style.use(‘ggplot‘)
    
    # 绘制ROC曲线
    plt.plot(fpr, tpr,‘‘)
    # 绘制参考线
    plt.plot((0,1),(0,1),‘r--‘)
    # 添加文本
    plt.text(0.5,0.5,‘AUC值为%.2f‘ % auc, fontsize=16)

    plt.title(‘支持向量机模型的ROC曲线‘)
    plt.xlabel(‘1-specificity‘)
    plt.ylabel(‘Sensitivity‘)
    
    # 中文和负号的正常显示
    plt.rcParams[‘font.sans-serif‘] = [‘SimHei‘]
    plt.rcParams[‘axes.unicode_minus‘] = False
    
    # 去除图形顶部边界和右边界的刻度
    plt.tick_params(top=False, right=False)
    plt.show()