目录
*
–
+ 一：前言
+
* 🎈ROC曲线
* 🎈AUC
* 🎈数据集：car.data
+ 二：绘制ROC曲线
+
* 1. 二值化处理（one-hot编码）
* 2. 计算fpr，tpr ，auc
* 3. 绘制曲线图demo
* 4. 结果
+ 三：全部Demo
一：前言
🎈ROC曲线
- ROC曲线(receiver operating characteristic curve)，
- 是反映灵敏性和特效性连续变量的综合指标；
- 是用构图法揭示敏感性和特异性的相互关系；
- 它通过将连续变量设定出多个不同的临界值，从而计算出一系列敏感性和特异性；
- ROC曲线是根据一系列不同的二分类方式（分界值或决定阈），以真正例率（True Positive Rate,TPR 也就是灵敏度）为纵坐标，假正例率（False Positive Rate,FPR，1-特效性）为横坐标绘制的曲线。
🎈AUC
- AUC（Area Under Curve）被定义为ROC曲线下与坐标轴围成的面积；
- 面积的数值不会大于1；
- 又由于ROC曲线一般都处于y=x这条直线的上方，所以AUC的取值范围在0.5和1之间；
- AUC越接近1.0，检测方法真实性越高;等于0.5时，则真实性最低，无应用价值。
🎈数据集：car.data
6个属性及标签介绍如图（多分类问题）：
; 二：绘制ROC曲线
绘制ROC曲线，需要fpr（x轴）、tpr（y轴）
- fpr：假正例率
- tpr：真正例率
知乎截图（可参考学习~）：ROC曲线简介
; 1. 二值化处理（one-hot编码）
如果标签是二值，跳过这一步；如果不是，需要二值化处理（one-hot编码）
⭐roc_auc_score是根据真实值（必须是二值的）。
所以需要对标签值作如下二值化处理
n_class = len(data['accept'].unique())
y_test_one_hot = label_binarize(y_test, classes=np.arange(n_class))
y_test_one_hot_hat = clf.predict_proba(x_test)
2. 计算fpr，tpr ，auc
根据预测值计算出AUC值（预测值类型：可以是0/1,也可以是proba值）
- 得到proba预测值 （有预测值跳过这一步）
y_test_one_hot_hat = clf.predict_proba(x_test)
- 计算fpr、tpr
from sklearn import metrics
fpr, tpr, _ = metrics.roc_curve(y_test_one_hot.ravel(), y_test_one_hot_hat.ravel())
- 计算不同average下的AUC值
from sklearn import metrics
print ('Micro AUC:\t', metrics.auc(fpr, tpr))
print( 'Micro AUC(System):\t', metrics.roc_auc_score(y_test_one_hot, y_test_one_hot_hat, average='micro'))
auc = metrics.roc_auc_score(y_test_one_hot, y_test_one_hot_hat, average='macro')
print ('Macro AUC:\t', auc)
3. 绘制曲线图demo
（有了fpr、tpr、auc直接copy就行~）
import matplotlib.pyplot as plt
'''
计算获得fpr、tpr、auc,上述步骤中有
假装已经得到~
'''
plt.figure(figsize=(8, 7), dpi=80, facecolor='w')
plt.xlim((-0.01, 1.02))
plt.ylim((-0.01, 1.02))
plt.xticks(np.arange(0, 1.1, 0.1))
plt.yticks(np.arange(0, 1.1, 0.1))
plt.plot(fpr, tpr, 'r-', lw=2, label='AUC=%.4f' % auc)
plt.legend(loc='lower right')
plt.xlabel('False Positive Rate', fontsize=14)
plt.ylabel('True Positive Rate', fontsize=14)
plt.grid(b=True, ls=':')
plt.title(u'DecisionTree ROC curve And AUC', fontsize=18)
plt.show()
4. 结果
; 三：全部Demo
（Demo来自实验作业呀~）
import pandas as pd
import numpy as np
from sklearn.tree import DecisionTreeClassifier
from sklearn import metrics
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import label_binarize
import matplotlib.pyplot as plt
data = pd.read_csv('car.data', header=None)
print(data.shape)
n_columns = len(data.columns)
columns = ['buy', 'maintain', 'doors', 'persons', 'boot', 'safety', 'accept']
new_columns = dict(zip(np.arange(n_columns), columns))
data.rename(columns=new_columns, inplace=True)
for col in columns:
data[col] = pd.Categorical(data[col]).codes
x = data.loc[:, columns[:-1]]
y = data['accept']
x, x_test, y, y_test = train_test_split(x, y, test_size=0.3)
clf = DecisionTreeClassifier(criterion='gini', max_depth=12, min_samples_split=5, max_features=5)
clf.fit(x, y)
y_hat = clf.predict(x)
print('训练集精确度:', metrics.accuracy_score(y, y_hat))
y_test_hat = clf.predict(x_test)
print('测试集精确度:', metrics.accuracy_score(y_test, y_test_hat))
n_class = len(data['accept'].unique())
y_test_one_hot = label_binarize(y_test, classes=np.arange(n_class))
y_test_one_hot_hat = clf.predict_proba(x_test)
fpr, tpr, _ = metrics.roc_curve(y_test_one_hot.ravel(), y_test_one_hot_hat.ravel())
print('Micro AUC:\t', metrics.auc(fpr, tpr))
print('Micro AUC(System):\t', metrics.roc_auc_score(y_test_one_hot, y_test_one_hot_hat, average='micro'))
auc = metrics.roc_auc_score(y_test_one_hot, y_test_one_hot_hat, average='macro')
print('Macro AUC:\t', auc)
plt.figure(figsize=(8, 7), dpi=80, facecolor='w')
plt.xlim((-0.01, 1.02))
plt.ylim((-0.01, 1.02))
plt.xticks(np.arange(0, 1.1, 0.1))
plt.yticks(np.arange(0, 1.1, 0.1))
plt.plot(fpr, tpr, 'r-', lw=2, label='AUC=%.4f' % auc)
plt.legend(loc='lower right')
plt.xlabel('False Positive Rate', fontsize=14)
plt.ylabel('True Positive Rate', fontsize=14)
plt.grid(b=True, ls=':')
plt.title(u'DecisionTree ROC curve And AUC', fontsize=18)
plt.show()
Original: https://blog.csdn.net/weixin_45426939/article/details/120967776
Author: 卅拓
Title: python绘制ROC曲线，计算AUC
原创文章受到原创版权保护。转载请注明出处：https://www.johngo689.com/617575/
转载文章受原作者版权保护。转载请注明原作者出处！