sklearn.metrics.roc_curve解析（转载）

最新推荐文章于 2025-02-16 08:33:53 发布
最新推荐文章于 2025-02-16 08:33:53 发布
阅读量575 收藏
点赞数
分类专栏： 机器学习类
本文详细介绍了sklearn.metrics模块，这是scikit-learn库中用于评估机器学习模型预测结果的重要部分。涵盖了各种评估指标，包括分类、回归和聚类任务的性能度量。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

sklearn.metrics.roc_curve详解：绘制接收者操作特性曲线（ROC curve）
syntax_api860的博客
09-14 1128
该曲线能够量化模型的分类性能，并通过绘制模型的真阳性率（True Positive Rate，TPR）和假阳性率（False Positive Rate，FPR）之间的关系来提供详细信息。真阳性率（TPR）定义为正确预测为正例的样本数占所有正例样本数的比例，即TPR = TP / (TP + FN)，其中TP表示真阳性，FN表示假阴性。同时，假阳性率（FPR）也被定义为错误将负例预测为正例的样本数占所有负例样本数的比例，即FPR = FP / (FP + TN)，其中FP表示假阳性，TN表示真阴性。
ROC Curve 原理与代码实战案例讲解
AI天才研究院
06-11 785
ROC Curve 原理与代码实战案例讲解 1.背景介绍 在机器学习和数据挖掘领域中,评估模型性能是一个非常重要的环节。ROC(Receiver Operating Characteristic)曲线是一种常用的评估二分类模型性能的可视化工具。它通过绘制真正率(True Posit
sklearn中绘制 ROC 曲线的函数 roc_curve() 解释
Stephen的博客
12-05 5万+
ROC 曲线函数 sklearn中，sklearn.metrics.roc_curve() 函数用于绘制ROC曲线。 主要参数： y_true：真实的样本标签，默认为{0，1}或者{-1，1}。如果要设置为其它值，则 pos_label 参数要设置为特定值。例如要令样本标签为{1，2}，其中2表示正样本，则pos_label=2。 y_score：对每个样本的预测结果。 pos_label：正样...
sklearn.metrics.roc_curve()函数绘制ROC曲线
A person does not really understand something until after teaching it to a computer. Donald.E.Knuth
01-27 3706
import numpy as np import matplotlib.pyplot as plt from sklearn.metrics import roc_curve y = np.array([1,1,2,2]) pred = np.array([0.1, 0.4, 0.35, 0.8]) fpr, tpr, thresholds = roc_curve(y, pred,
sklearn.metrics.roc_curve解析
qq_37972486的博客
05-11 1662
先认识单词：metrics: ['mɛtrɪks] ： 度量‘指标 curve : [kɝv] : 曲线 这个方法主要用来计算ROC曲线面积的; sklearn.metrics.roc_curve(y_true, y_score, pos_label=None, sample_weight=None, drop_intermediate=True) Parameters : y_true : 数组，shape = [样本数] 在范围{0,1}或{-1,1}中真
metrics.roc_curve函数介绍
weixin_43597208的博客
01-02 633
metrics.roc_curve 是来自 scikit-learn 库中的 sklearn.metrics 模块的一个函数，用于计算接收者操作特征曲线（ROC 曲线）的参数。ROC 曲线用于可视化和比较二分类模型的性能。这条曲线在不同比例（或不同阈值）下展示了分类器的真正阳性率（TPR 或灵敏度）与假正例率（FPR）之间的权衡。
import pandas as pd from sklearn.preprocessing import LabelEncoder from sklearn.model_selection import train_test_split from sklearn.preprocessing import StandardScaler from sklearn.decomposition import PCA from sklearn.linear_model import LogisticRegression from sklearn.pipeline import make_pipeline import numpy as np from sklearn.model_selection import StratifiedKFold from sklearn.model_selection import cross_val_score import matplotlib.pyplot as plt from sklearn.model_selection import learning_curve from sklearn.model_selection import validation_curve from sklearn.model_selection import GridSearchCV from sklearn.svm import SVC from sklearn.tree import DecisionTreeClassifier from sklearn.metrics import confusion_matrix from sklearn.metrics import precision_score, recall_score, f1_score from sklearn.metrics import make_scorer from sklearn.metrics import roc_curve, auc from distutils.version import LooseVersion as Version from scipy import __version__ as scipy_version from numpy import
最新发布
05-08
print(f"Scikit-learn: {sklearn.__version__}") # 应显示1.4.1 ``` ```bash python verify_versions.py ``` #### 第四步：代码适配 ```python # 旧代码改造示例 try: from scipy.interpolate import interp ...
【python 机器学习】sklearn ROC曲线与AUC指标
m0_62599305的博客
02-16 1179
ROC曲线：就像是在跑步比赛中看不同运动员在不同阶段的表现。你可以看到在每一个时刻，模型在判断对还是错时的表现。AUC（曲线下面积）：ROC曲线下方的面积，越大越好。它告诉我们模型整体表现有多好，AUC越接近1，模型就越优秀。ROC曲线是用于评估二分类模型性能的工具，能够显示模型在不同阈值下的表现。它通过绘制假正率（FPR）与真正率（TPR）之间的关系，帮助我们评估模型分类效果。**AUC（Area Under the Curve）**是ROC曲线下方的面积，它综合反映了分类模型的性能。
# 需要先导入matplotlib import matplotlib.pyplot as plt from sklearn.linear_model import LogisticRegression from sklearn.metrics import precision_recall_curve # 修正后的模型训练（注意参数格式） model = LogisticRegression(max_iter=1000).fit(X_train, y_train) # 原代码中的"1oeee"改为数字1000 # 生成预测置信度 y_score = model.decision_function(X_test) # 获取决策函数值 # 计算P-R曲线数据 precisions, recalls, thresholds = precision_recall_curve(y_test, y_score) # 绘制P-R曲线（修正中文标点） plt.figure(figsize=(8,6)) plt.title("P-R Curve") plt.xlabel('Recall', fontsize=14) # 横坐标应为召回率 plt.ylabel('Precision', fontsize=14) # 纵坐标应为准确率 plt.plot(recalls, precisions) # P-R曲线标准画法 plt.grid(True) # 添加网格线 plt.show()
03-08
from sklearn.metrics import precision_recall_curve ``` - `matplotlib.pyplot`：绘图库，用于可视化P-R曲线 - `LogisticRegression`：逻辑回归分类器 - `precision_recall_curve`：计算精确率-召回率曲线的函数 ...
import pandas as pd import numpy as np import matplotlib.pyplot as plt from sklearn.linear_model import LogisticRegression from sklearn.metrics import confusion_matrix, classification_report # 设置默认字体和解决负号显示问题 plt.rcParams['font.sans-serif'] = ['SimHei'] plt.rcParams['axes.unicode_minus'] = False # 读取数据 data = pd.read_excel(r'C:\Users\冯雪玲\Desktop\北京市空气质量数据.xlsx') # 修正拼写错误 read_excel → read_excel data = data.replace(0, np.nan) # 替换0值为NaN data = data.dropna() # 删除缺失值 # 创建目标变量 # 修正字典语法错误（冒号→逗号，删除多余小数点） data['有无污染'] = data['质量等级'].map({ '优': 0, '良': 0, '轻度污染': 1, '中度污染': 1, # 修正 1.'重度污染' → 1, '重度污染': 1, '严重污染': 1}) # 划分特征与标签 X = data.loc[:, ['PM2.5', 'PM10', 'SO2', 'CO', 'NO2', 'O3']] Y = data.loc[:, '有无污染'] # 模型训练与评估 modelNB = GaussianNB() modelNB.fit(X, Y) modelLR = LogisticRegression() modelLR.fit(X, Y) # 输出朴素贝叶斯模型结果 print('朴素贝叶斯模型结果:\n', classification_report(Y, modelNB.predict(X))) import matplotlib.pyplot as plt from sklearn.metrics import roc_curve, auc, precision_recall_curve # --------------------- 绘图代码 --------------------- fig, axes = plt.subplots(nrows=1, ncols=2, figsize=(10,4)) # ROC曲线 fpr, tpr, _ = roc_curve(Y, modelNB.predict_proba(X)[:, 1], pos_label=1) fpr1, tpr1, _ = roc_curve(Y, modelLR.predict_proba(X)[:, 1], pos_label=1) axes[0].plot(fpr, tpr, color='r', label=f'朴素贝叶斯 ROC (AUC={auc(fpr, tpr):.3f})') axes[0].plot(fpr1, tpr1, color='blue', label=f'逻辑回归 ROC (AUC={auc(fpr1, tpr1):.3f})') axes[0].plot([0, 1], [0, 1], linestyle='--', color='navy') axes[0].set(xlabel='假正率 (FPR)', ylabel='真正率 (TPR)', title='ROC曲线对比') axes[0].legend() # PR曲线 pre, rec, _ = precision_recall_curve(Y, modelNB.predict_proba(X)[:, 1], pos_label=1) pre1, rec1, _ = precision_recall_curve(Y, modelLR.predict_proba(X)[:, 1], pos_label=1) axes[1].plot(rec, pre, color='r', label=f'朴素贝叶斯 (AP={auc(rec, pre):.3f})') axes[1].plot(rec1, pre1, color='blue', label=f'逻辑回归 (AP={auc(rec1, pre1):.3f})') axes[1].set(xlabel='召回率 (Recall)', ylabel='精确率 (Precision)', title='P-R曲线对比') axes[1].legend() plt.tight_layout() plt.show()解析代码
03-29
from sklearn.metrics import confusion_matrix, classification_report # 设置中文显示和负号显示 plt.rcParams['font.sans-serif'] = ['SimHei'] # 设置中文字体 plt.rcParams['axes.unicode_minus'] = False # ...
curve函数 roc_sklearn.metrics.roc_curve使用说明
weixin_42298062的博客
02-23 4301
roc曲线是机器学习中十分重要的一种学习器评估准则，在sklearn中有完整的实现，api函数为sklearn.metrics.roc_curve(params)函数。不过这个接口只限于进行二分类任务。！下面主要是对官方接口做一下翻译。接口函数 sklearn.metrics.roc_curve(y_true,y_score,pos_label=None,sample_weight=No...
sklearn.metrics.roc_curve使用简要说明
sun91019718的博客
09-25 1万+
sklearn.metrics.roc_curve使用简要说明背景说明TP、TN、FP、FN概念TPR、TNR、FPR、FNR概念功能快捷键合理的创建标题，有助于目录的生成如何改变文本的样式插入链接与图片如何插入一段漂亮的代码片生成一个适合你的列表创建一个表格设定内容居中、居左、居右SmartyPants创建一个自定义列表如何创建一个注脚注释也是必不可少的KaTeX数学公式新的甘特图功能，丰富你的...
sklearn.metrics.roc_curve理解
猫敷雪
12-21 831
首先我们拿一个例子来解释： import numpy as np from sklearn import metrics y = np.array([1, 1, 2, 2]) scores = np.array([0.1, 0.4, 0.35, 0.8]) fpr, tpr, thresholds = metrics.roc_curve(y, scores, pos_label=2) (arra...
关于sklearn.metrics.roc_curve的踩坑指南(代码+详细分析)
shary_cao的博客
04-08 1万+
问题描述 在使用sklearn.metrics.roc_curve过程中可能会遇见以下两种问题： 1.混淆矩阵与ROC曲线严重不符 如你的混淆矩阵长这样（图左），而你的ROC曲线长这样（图右） 2.报错No positive samples in y_true UndefinedMetricWarning: No positive samples in y_true, true positive value should be meaningless warnings.warn("...
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
分类模型的评价指标--混淆矩阵，ROC曲线，AUC及sklearn.metrics.roc_curve参数说明
MR_Trustin的博客
06-09 6306
分类模型的评价指标--混淆矩阵，ROC，AUC
sklearn中的roc curve函数
优快云_LYY的专栏
10-29 814
转载地址 https://blog.csdn.net/w1301100424/article/details/84546194
Python机器学习：roc_curve()生成ROC曲线
Sukey666666的博客
02-11 6964
用sklearn里面的roc_curve()函数，就能一键计算FPR和TPR，快速生成ROC曲线啦。
评论
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