【Python绘图】如何绘制交叉验证的AUC和AUPR曲线

原创

已于 2022-04-05 11:07:02 修改 · 1w 阅读

83 ·

CC 4.0 BY-SA版权

文章标签：

#python #AUROC #交叉验证

于 2022-04-04 20:27:03 首次发布

本文介绍了如何在Python中使用sklearn库进行交叉验证下的AUROC和AUPR曲线绘制，通过线性插值法计算平均值，以及两种观点对AUPR计算方法的讨论。

1 交叉验证

在进行模型性能评估的时候，避免不了进行交叉验证实验。但，想要使用AUROC和AUPR曲线绘制交叉验证的平均结果，是一个麻烦的问题。一般来说，绘制一次实验结果的AUROC和AUPR曲线没有什么难度，而交叉验证的曲线结果则需要取曲线的平均结果。值得注意的是，skit-learn的官方给了一个绘制交叉验证AUROC曲线的例子，采用的绘制方法为线性插值法。
具体的思想是用np.interp（具体用法）拟合每次结果的AUROC曲线，然后将每次拟合的曲线结果取平均进行绘图。下面是官方给出的demo：

2 $\rm{}Python$ 绘制交叉验证 $\rm{}AUROC$

具体见参考文献[1]

import numpy as np
import matplotlib.pyplot as plt

from sklearn import svm, datasets
from sklearn.metrics import auc
from sklearn.metrics import RocCurveDisplay
from sklearn.model_selection import StratifiedKFold

# #############################################################################
# Data IO and generation

# Import some data to play with
iris = datasets.load_iris()
X = iris.data
y = iris.target
X, y = X[y != 2], y[y != 2]
n_samples, n_features = X.shape

# Add noisy features
random_state = np.random.RandomState(0)
X = np.c_[X, random_state.randn(n_samples, 200 * n_features)]

# #############################################################################
# Classification and ROC analysis

# Run classifier with cross-validation and plot ROC curves
cv = StratifiedKFold(n_splits