zoukankan      html  css  js  c++  java
  • 【sklearn】性能度量指标之ROC曲线(二分类)

    原创博文,转载请注明出处!

    1.ROC曲线介绍

    • ROC曲线适用场景
      • 二分类任务中,positive和negtive同样重要时,适合用ROC曲线评价
    • ROC曲线的意义
      • TPR的增长是以FPR的增长为代价

    2.ROC曲线绘制

    • 纵坐标为TPR
      • TPR(True Positive Rate)真正确率,即模型正确识别正例的比例,TPR=TP/(TP+FN)
    • 横坐标为FPR
      • FPR(False Positive Rate)假正确率,即模型错误将反例识别为正例的比例,FPR=FP/(FP+TN)
    • ROC曲线的绘制过程
      • 给定m个正例和n个反例。首先,根据学习器预测结果对样本排序;然后,先把所有样本均预测为反例,再一次将每个样本划分为正例(阈值从大到小的过程)。

    3.sklearn中roc曲线

      1 from sklearn.metrics import roc_curve
      2 tpr,fpr,thresholds = roc_curve(y_test,y_pred)
      3 
      4 import matplotlib.pyplot as plt
      5 plt.plot(fpr, tpr)
      6 plt.xlim([0.0, 1.0])
      7 plt.ylim([0.0, 1.0])
      8 plt.title('ROC curve for diabetes classifier')
      9 plt.xlabel('False Positive Rate (1 - Specificity)')
     10 plt.ylabel('True Positive Rate (Sensitivity)')
     11 plt.grid(True)
  • 相关阅读:
    CopyOnWriteArrayList
    Herriot
    Prefix tree
    hadoop 测试框架
    Hadoop RPC
    OpenCV2马拉松第2圈——读写图片
    LCD深度剖析
    SharePoint 改动passwordWeb Part部署方案
    android小游戏模版—重力感应
    CSS(层叠样式表)基础知识
  • 原文地址:https://www.cnblogs.com/wanglei5205/p/8643372.html
Copyright © 2011-2022 走看看