python auc /precision_recall_vs_threshold 曲线绘制

wei_liao

于 2019-08-23 21:47:56 发布

阅读量2.4k

点赞数 1

分类专栏： python

本文链接：https://blog.youkuaiyun.com/weixin_41358871/article/details/100046543

版权

本文介绍如何使用Python绘制ROC AUC曲线以及Precision-Recall曲线，用于评估二分类模型的性能。通过示例代码展示了如何计算并绘制这些曲线，帮助理解模型在不同阈值下的表现。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

from matplotlib import pyplot as plt
%matplotlib inline
def plot_precision_recall_vs_threshold (precisions, recalls, thresholds) :

#precision_recall_curve函数的源码中，precision : array, shape = [n_thresholds + 1]，the last element is 1
#之所以要通过precisions[: -1 ]使准确率数组中的最后一个值删掉，是因为，随着阈值的不断提高，对反例的识别率不断提高，最终的准确率趋近于1
#但此时的阈值可能太大导致阈值数组的范围太大不好表示，所以干脆就省略了这个阈值，直接令准确率数组的最后一个值等于1
    plt.plot(thresholds, precisions[: -1 ],  "b--" , label= "Precision" )
#recalls[: -1 ]意义同上
    plt.plot(thresholds, recalls[: -1 ],  "g-" , label= "Recall" )

    plt.xlabel( "Threshold" )

    plt.legend(loc= "upper left" )

    plt.ylim([ 0 ,  1 ])
    
    plt.show()



from  sklearn.metrics  import  roc_curve

#绘制图像
def plot_roc_curve (y_true,pre, label=None) :
    
    fpr, tpr, thresholds = roc_curve(y_true,pre)
    
    diff=tpr-fpr #array
    
    index=lis