
首先以支持向量机模型为例
先导入需要使用的包 我们将使用roc_curve这个函数绘制ROC曲线
from sklearn.svm import SVCfrom sklearn.metrics import roc_curvefrom sklearn.datasets import make_blobsfrom sklearn. model_selection import train_test_splitimport matplotlib.pyplot as plt%matplotlib inline
然后使用下面make_blobs函数 生成一个二分类的数据不平衡数据集
使用train_test_split函数划分训练集和测试集数据
训练SVC模型。
X,y make_blobs(n_samples (4000,500), cluster_std [7,2], random_state 0)X_train,X_test,y_train, y_test train_test_split(X,y,random_state 0)clf SVC(gamma 0.05).fit(X_train, y_train)

fpr,tpr, thresholds roc_curve(y_test,clf.decision_function(X_test))plt.plot(fpr,tpr,label ROC )plt.xlabel( FPR )plt.ylabel( TPR )
从上面的代码可以看到 我们使用roc_curve函数生成三个变量 分别是fpr,tpr, thresholds 也就是假正例率 FPR 、真正例率 TPR 和阈值。
而其中的fpr,tpr正是我们绘制ROC曲线的横纵坐标 于是我们以变量fpr为横坐标 tpr为纵坐标 绘制相应的ROC图像如下


值得注意的是上面的支持向量机模型使用的decision_function函数 是自己所特有的 而其他模型不能直接使用。

比如说我们想要使用其他模型 例如决策树模型 的结果绘制ROC,直接套用上面的代码 会报错 会显示没有这个函数。

以决策树模型为例 解决上述问题 适用于除向量机外的模型
导入决策树模型包以及训练模型的代码省略了 只需要手动改一改就行了 我们直接看绘图的代码
fpr,tpr, thresholds roc_curve(y_test,clf.predict_proba(X_test)[:,1])plt.plot(fpr,tpr,label ROC )plt.xlabel( FPR )plt.ylabel( TPR )
可以看到我们直接把只适用于支持向量机模型的函数decision_function更改成predict_proba(X_test)[:,1]就行了 让我们看看结果

可以看到哈 决策树模型在这个数据集上的泛化能力不如支持向量机哈 学废了吗。
更好看的画法auc roc_auc_score(y_test,clf.predict_proba(X_test)[:,1])# auc roc_auc_score(y_test,clf.decision_function(X_test))fpr,tpr, thresholds roc_curve(y_test,clf.decision_function(X_test))plt.plot(fpr,tpr,color darkorange ,label ROC curve (area %0.2f) % auc)plt.plot([0, 1], [0, 1], color navy , lw 2, linestyle -- )plt.xlim([0.0, 1.0])plt.ylim([0.0, 1.05])plt.xlabel( False Positive Rate )plt.ylabel( True Positive Rate )plt.title( Receiver operating characteristic example )plt.legend(loc lower right )plt.savefig( suhan.jpg ,dpi 800)plt.show()

关注博主即可阅读全文
【第十届“泰迪杯”数据挖掘挑战赛】B题:电力系统负荷预测分析第一问LSTM模型的建立
14627
抵扣说明:
1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。
更多文章请关注《万象专栏》
转载请注明出处:https://www.wanxiangsucai.com/read/cv182549