项目开发参考网站

发表于 分类于 本文字数： 1.7k 阅读时长 ≈ 2 分钟

模板项目：

基于vue3的管理系统前端模板项目：vue3-element-admin

基于spring boot的管理系统后端模板项目：youlai-boot

桌面应用框架：electron

数据可视化：echarts
dataview

在Python中绘制ROC（Receiver Operating Characteristic）曲线，通常使用scikit-learn库中的roc_curve函数来计算ROC曲线的各个点，然后使用matplotlib库来绘制这些点。以下是一个基本的步骤和示例代码，展示如何绘制ROC曲线。

  1. 安装必要的库
    如果你还没有安装scikit-learn和matplotlib，你可以通过pip安装它们：
1
pip install scikit-learn matplotlib
  1. 示例代码
    假设你已经有了一些分类模型的预测结果和真实标签，下面是如何使用这些数据来绘制ROC曲线的步骤：
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
import numpy as np
from sklearn.metrics import roc_curve, auc
import matplotlib.pyplot as plt
from sklearn.datasets import make_classification
from sklearn.model_selection import train_test_split
from sklearn.ensemble import RandomForestClassifier

# 生成一些二分类数据
X, y = make_classification(n_samples=1000, n_features=20, n_classes=2, random_state=42)

# 划分训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.5, random_state=42)

# 使用随机森林分类器
classifier = RandomForestClassifier(n_estimators=100, random_state=42)
classifier.fit(X_train, y_train)
y_pred = classifier.predict_proba(X_test)[:, 1]  # 获取正类的预测概率

# 计算ROC曲线的各个点
fpr, tpr, thresholds = roc_curve(y_test, y_pred)
roc_auc = auc(fpr, tpr)

# 绘制ROC曲线
plt.figure()
plt.plot(fpr, tpr, color='darkorange', lw=2, label='ROC curve (area = %0.2f)' % roc_auc)
plt.plot([0, 1], [0, 1], color='navy', lw=2, linestyle='--')  # 绘制对角线（随机预测）
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.show()

解释代码：
‌数据生成‌：使用make_classification生成一个二分类的数据集。
‌数据划分‌：将数据集分为训练集和测试集。
‌模型训练‌：使用随机森林分类器进行训练。
‌预测概率‌：获取测试集上正类的预测概率。
‌计算ROC曲线‌：使用roc_curve函数计算FPR、TPR和阈值。
‌绘制ROC曲线‌：使用matplotlib绘制ROC曲线，并计算并显示AUC值。
通过上述步骤，你可以绘制并分析模型的ROC曲线，从而评估模型的性能