绘制ROC曲线和瀑布图的Python实现

最新推荐文章于 2025-12-06 18:40:48 发布
最新推荐文章于 2025-12-06 18:40:48 发布
阅读量232 收藏
点赞数
CC 4.0 BY-SA版权
文章标签： python 开发语言 Python
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.youkuaiyun.com/Meta_C/article/details/132822571
Python 专栏收录该内容
310 篇文章 ¥59.90 ¥99.00
订阅专栏
本文介绍了如何使用Python绘制ROC曲线和瀑布图来评估分类模型性能。通过导入numpy, matplotlib, sklearn库，计算FPR和TPR绘制ROC曲线，并计算AUC。同时，利用precision和recall绘制瀑布图，以便于模型性能理解和比较。" 24937249,301730,Solr多表增量导入实践,"['搜索引擎', 'Solr', '数据管理', '数据索引', 'XML配置']

绘制ROC曲线和瀑布图的Python实现

ROC曲线和瀑布图是常用于评估分类模型性能的工具，它们可以帮助我们理解模型在不同阈值下的表现，并进行性能比较。在本文中，我们将介绍如何使用Python绘制ROC曲线和瀑布图，并提供相应的源代码。

首先，我们需要导入一些必要的库，包括numpy、matplotlib.pyplot和sklearn.metrics。numpy用于处理数值计算，matplotlib.pyplot用于绘图，sklearn.metrics包含了计算ROC曲线和瀑布图所需的函数。

import numpy as np
import matplotlib.pyplot as plt
from sklearn.metrics import roc_curve
了解本专栏 订阅专栏 解锁全文
python绘制影像组学训练集、测试集对应的ROC曲线以及瀑布图（rad-score 瀑布图）
data+scenario+science+insight
07-25 5409
python绘制影像组学训练集、测试集对应的ROC曲线以及瀑布图（rad-score 瀑布图） # 所有数据的瀑布图 tagets_all = df['label'] tagets_all = df.iloc[X_lasso.index]['label'] tagets_all.value_counts() # # plt.style.use('fivethirtyeight') plt.style.use('seaborn-notebook') # plt.style.use.
python使用sklearn拟合支持向量机(SVM)模型进行分类、使用分层k折交叉验证器来评估模型，生成并绘制k折ROC曲线、生成一个带有均值和标准差范围统计信息的ROC曲线
statistics+insight+vista+power
06-11 480
python使用sklearn拟合支持向量机(SVM)模型进行分类、使用分层k折交叉验证器来评估模型，生成并绘制k折ROC曲线、生成一个带有均值和标准差范围统计信息的ROC曲线
绘制多分类问题的ROC曲线（Python）
PixelNovaO的博客
09-04 741
ROC曲线是一种常用的评估分类模型性能的工具，它可以可视化模型在不同分类阈值下的真阳性率（True Positive Rate）和假阳性率（False Positive Rate）之间的权衡关系。在二分类问题中，我们可以直接使用ROC曲线进行评估，但在多分类问题中，我们需要对每个类别进行单独的计算。我们需要注意的是，在绘制多分类问题的ROC曲线时，我们需要对每个类别分别计算ROC曲线，并计算每个类别对应的真阳性率和假阳性率。运行以上代码，我们将得到一个多分类问题的ROC曲线，每个类别对应一条曲线。
简述——python使用sklearn画ROC曲线
昆兰.沃斯 的博客
08-21 2万+
使用sklearn的一系列方法后可以很方便的绘制处ROC曲线，这里简单实现以下。 主要是利用混淆矩阵中的知识作为绘制的数据（如果不是很懂可以先看看这里的基础）：     tpr(Ture Positive Rate)：真阳率                                   图像的纵坐标     fpr(False Positive Rate)：阳率（伪阳率）       ...
如何使用python绘制ROC曲线？
qq_38941890的博客
11-02 1万+
如何使用python绘制ROC曲线？
绘制 ROC 曲线和瀑布图（RAD 分数）Python
TechCraze的博客
08-10 440
ROC 曲线的结果显示在一个名为“Receiver Operating Characteristic (ROC) Curve”的图形中，而瀑布图的结果显示在一个名为“Waterfall plot”的图形中。ROC 曲线和瀑布图通常用于评估分类模型的性能。ROC 曲线显示真阳性率和假阳性率之间的关系，而瀑布图则显示阈值的影响。以上是绘制 ROC 曲线和瀑布图（RAD 分数）Python的实例代码及效果展示。绘制 ROC 曲线和瀑布图（RAD 分数）Python。库计算 ROC 曲线和 AUC，使用。
# 模型评估可视化 -------------------------------------------------------------- # 设置图形排版参数 par(mfrow = c(2, 2), mar = c(4.5, 4.5, 3, 2), cex.lab = 1.2, cex.main = 1.4) ### 1. ROC曲线分析 --------------------------------------------------------- roc_obj <- roc(test_data$Hearing_loss, predictions$xgb) # 绘制增强版ROC曲线 plot(roc_obj, main = "ROC Curve (XGBoost)", col = "#1F77B4", lwd = 3, legacy.axes = TRUE, print.auc = TRUE, auc.polygon = TRUE, auc.polygon.col = "#FEE08B88", grid = TRUE, grid.col = "gray90", xlab = "False Positive Rate", ylab = "True Positive Rate") ### 2. 校准曲线 ------------------------------------------------------------ # 使用rms包绘制高级校准曲线 cal <- val.prob(predictions$xgb, as.numeric(test_data$Hearing_loss)-1, smooth = "loess", logistic.cal = TRUE) # 自定义绘图参数 plot(cal, main = "Calibration Curve", cex = 0.8, col.ideal = "#D53E4F", lwd.ideal = 2, lty.ideal = 2, col.smooth = "#3288BD", lwd.smooth = 3, riskdist = FALSE, cex.lab = 1.2, cex.axis = 1.1) ### 3. 决策曲线分析 -------------------------------------------------------- # 将预测概率添加到测试数据 test_data$pred_prob <- predictions$xgb # 构建决策曲线对象 dca <- decision_curve( Hearing_loss ~ pred_prob, data = test_data, thresholds = seq(0, 1, by = 0.05), bootstraps = 50 ) # 绘制专业决策曲线 plot_decision_curve(dca, main = "Decision Curve Analysis", curve.names = "XGBoost Model", col = "#5E4FA2", lwd = 2, confidence.intervals = FALSE, standardize = TRUE, cost.benefit.axis = FALSE, xlab = "Threshold Probability", ylab = "Net Benefit") ### 4. SHAP可视化 ---------------------------------------------------------- # 创建shapviz对象 shap_values <- shapviz(xgb_model, X = model.matrix(~ . -1, test_data[, -which(names(test_data) == "Hearing_loss")])) # 特征重要性图 sv_importance(shap_values, max_display = 15, fill_color = "#66C2A5", show_numbers = TRUE) + ggtitle("Feature Importance (SHAP Values)") + theme(plot.title = element_text(face = "bold", size = 14)) # 瀑布图示例（显示第一个样本） sv_waterfall(shap_values, row_id = 1, fill_colors = c("#F46D43", "#66C2A5")) + ggtitle("Individual SHAP Explanation") + theme(plot.title = element_text(face = "bold", size = 14)) # 重置图形参数 par(mfrow = c(1, 1)) # 保存所有图形 ------------------------------------------------------------ # PDF格式保存（矢量图） pdf(paste0(output_path, "XGBoost_Evaluation.pdf"), width = 12, height = 10) # 依次重新绘制各图形 plot(roc_obj) # ROC曲线 plot(cal) # 校准曲线 plot(dca) # 决策曲线 sv_importance(shap_values) # SHAP重要性 sv_waterfall(shap_values) # 瀑布图 dev.off() # PNG格式保存（高分辨率） ggsave(paste0(output_path, "SHAP_Importance.png"), plot = sv_importance(shap_values), width = 10, height = 8, dpi = 300)根据这个代码绘制训练集ROC曲线
05-13
不过，用户的问题是关于绘制ROC曲线的，所以需要参考引用中的R代码或Python方法。例如，引用[1]、[2]、[4]提到R中的ROC绘制，而引用[5]提到了Caffe中使用Python的可能方法。假设用户使用的是Python，可能需要使用...
ROC曲线绘制（Python）
学习记录，厚积薄发
12-08 4万+
我看谁还不会用Python画出ROC曲线！！！
Python下使用sklearn绘制ROC曲线（超详细）
热门推荐
hesongzefairy的博客
02-14 8万+
pass
推荐 | JoyAgent-JDGenie：开箱即用的端到端多智能体产品
lpfasd123的博客
12-05 317
如果你在寻找一款真正可落地的多智能体产品，用来“搜索-分析-生成报告”、“数据问答与诊断”、“代码解释与图表生成”，同时希望易部署、易扩展、易二次开发——JoyAgent-JDGenie 是非常值得试用与推荐的选择。只需填好少量配置，即可获得端到端的流式体验与交付能力。
大模型应用：大模型 MapReduce 全解析：核心概念、中文语料示例实现.12
minhuan的专栏
12-03 1218
本文介绍了MapReduce编程模型及其在大模型训练中的应用。MapReduce通过"分治-并行-聚合"思想处理大规模数据，传统Hadoop MapReduce侧重结构化数据计算，而大模型MapReduce则针对自然语言处理任务。文章详细对比了两者在架构、处理对象和核心算力等方面的差异，并提供了中文词频统计的Python实现示例，包括单机版和分布式版本。分布式实现利用多进程模拟集群计算，展示了数据分片、Map、Shuffle和Reduce的完整流程。
零基础学JAVA--Day41(IO文件流+IO流原理+InputStream+OutputStream)
Dxxyyyy的博客
12-05 867
文件在程序中是以流的形式来操作的流：数据在数据源（文件）和程序（内存）之间经历的路径输入流：数据从数据源（文件）到程序（内存）的路径输出流：数据从程序（内存）到数据源（文件）的路径。
【Android逆向工程】第19章：协议分析与接口还原
w987333120的博客
12-03 410
本文介绍了网络协议分析的关键技术与工具。主要内容包括HTTP/HTTPS协议分析流程、常用抓包工具配置（Charles/Burp Suite）、协议格式解析方法以及签名算法还原技术。通过示例展示了完整的请求/响应分析过程，涵盖请求行、请求头、请求体的解析方法，特别关注签名相关字段的识别。文章还提供了Python代码示例演示如何自动分析HTTP请求结构，帮助逆向工程师理解业务逻辑、还原接口签名算法并实现自动化脚本。
使用 DeepSeek 提升工作效率
Deng872347348的博客
12-03 674
摘要：本文系统介绍了如何利用DeepSeek AI工具提升工作效率。文章首先分析职场痛点，指出DeepSeek在技术文档、代码开发、数据处理等专业场景的优势。随后详细解析核心功能模块，包括文本生成、代码支持、数据分析和知识管理，并明确其适用边界。重点提供了可直接复用的指令模板，涵盖技术文档撰写、脚本开发、数据可视化等典型场景，如自动生成API文档、Python数据分析脚本等。最后给出集成办公软件的最佳实践，并针对不同行业提供适配方案，强调AI工具"增强而非替代"的定位，帮助用户将重复性工
第30篇：逆袭量化路：用 bot_start 和 bot_loop_start 玩转 Freqtrade 策略
最新发布
qq_36936892的博客
12-06 197
Freqtrade策略开发中，bot_start()和bot_loop_start()是两个关键生命周期函数。bot_start()在机器人启动时仅调用一次，适合初始化数据、加载资源等操作；bot_loop_start()在每个交易循环开始时触发，可用于状态刷新、动态参数调整等周期性任务。开发者应注意前者只需快速执行，后者需保持轻量以避免阻塞。合理使用这两个函数能增强策略灵活性，支持复杂交易逻辑实现。掌握这两个回调函数是提升Freqtrade策略开发效率的重要环节。
python中快速更新ini文件之方法~
英布之剑的优快云 Blog
12-02 185
Python标准库中的configparser模块可方便读写INI格式配置文件。通过ConfigParser()创建对象，使用read()读取文件，set()修改键值，write()保存更改。示例代码展示了更新INI文件的完整流程：创建解析器、读取文件、修改指定分组下的键值、保存修改并清理对象。使用前需导入configparser模块。该方法简单高效，适用于处理标准INI格式的配置文件。
python+django/flask+vue的基于协同过滤算法的体育商品推荐系统
Q_Q1963288475的博客
12-04 566
相比于传统的体育商品推荐方式，个性化智能的管理方式可以大幅提高体育商品推荐的管理效率，实现了个性化智能体育商品推荐的标准化、制度化、程序化的管理，有效地防止了体育商品推荐的随意管理， 功能主要包括首页、个人中心、用户管理、商品分类管理、商品信息管理、交流论坛、留言板、系统管理、订单管理等功能，从而实现个性化智能体育商品推荐方式，提高个性化智能体育商品推荐的效率。
人工智能的基石之三：硬件
最简单的方法，解决最实际的问题。
12-05 581
高性能硬件是人工智能的基石，尤其是在机器学习和深度学习领域，海量数据是常态。从充当计算机大脑的中央处理器 (CPU) 到加速计算的图形处理器 (GPU)，硬件的作用是提供处理和运行复杂数据算法所需的原始能力。
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符  | 博主筛选后可见
 
红包 添加红包
表情包 插入表情
表情包 代码片
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

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。

余额充值