基于python實現(xiàn)ROC曲線繪制廣場解析
ROC
結(jié)果

源數(shù)據(jù):鳶尾花數(shù)據(jù)集(僅采用其中的兩種類別的花進行訓(xùn)練和檢測)
Summary
features:['sepal length (cm)', 'sepal width (cm)', 'petal length (cm)', 'petal width (cm)']
實例:[5.1, 3.5, 1.4, 0.2]
target:'setosa' 'versicolor' (0 , 1)
采用回歸方法進行擬合得到參數(shù)和bias
model.fit(data_train, data_train_label)
對測試數(shù)據(jù)進行預(yù)測得到概率值
res = model.predict(data[:100])
與訓(xùn)練集labels匹配后進行排序(從大到?。?/p>
pred labels
68 0.758208 1
87 0.753780 1
76 0.745833 1
50 0.743156 1
65 0.741676 1
75 0.739117 1
62 0.738255 1
54 0.737036 1
52 0.733625 1
77 0.728139 1
86 0.727547 1
74 0.726261 1
58 0.725150 1
71 0.724719 1
36 0.724142 0
14 0.723990 0
31 0.721648 0
41 0.720308 0
72 0.717723 1
79 0.712833 1
97 0.705148 1
51 0.702838 1
35 0.702203 0
98 0.701731 1
92 0.701106 1
82 0.700661 1
53 0.700465 1
18 0.699350 0
16 0.696915 0
64 0.693333 1
.. ... ...
33 0.658937 0
96 0.656761 1
30 0.656279 0
57 0.655673 1
4 0.652616 0
85 0.648620 1
59 0.648586 1
19 0.646965 0
70 0.646262 1
88 0.644482 1
8 0.643191 0
38 0.642704 0
3 0.640933 0
55 0.640630 1
47 0.640444 0
95 0.639552 1
13 0.639050 0
22 0.638485 0
29 0.635590 0
90 0.634376 1
37 0.632224 0
6 0.631119 0
46 0.630037 0
11 0.629718 0
66 0.627807 1
42 0.624795 0
44 0.621703 0
32 0.614932 0
24 0.603874 0
84 0.603249 1
計算訓(xùn)練集中正確的個數(shù)與非正確的個數(shù)
運用一下的算式進行TPR和FPR的計算
index = 0
for i in sorted_mat.values:
if i[1] == 0:
TPR.append(TPR[index])
FPR.append(FPR[index] + 1.0/F_num)
else:
TPR.append(TPR[index] + 1.0/T_num)
FPR.append(FPR[index])
index += 1
最后進行TPR和FPR的描繪
以上就是本文的全部內(nèi)容,希望對大家的學習有所幫助,也希望大家多多支持腳本之家。
相關(guān)文章
Python基礎(chǔ)學習之時間轉(zhuǎn)換函數(shù)用法詳解
這篇文章主要介紹了Python基礎(chǔ)學習之時間轉(zhuǎn)換函數(shù)用法,結(jié)合實例形式分析了Python常見的日期時間獲取、轉(zhuǎn)換相關(guān)操作技巧,需要的朋友可以參考下2019-06-06
pandas pivot_table() 按日期分多列數(shù)據(jù)的方法
今天小編就為大家分享一篇pandas pivot_table() 按日期分多列數(shù)據(jù)的方法,具有很好的參考價值,希望對大家有所幫助。一起跟隨小編過來看看吧2018-11-11
在Tensorflow中查看權(quán)重的實現(xiàn)
今天小編就為大家分享一篇在Tensorflow中查看權(quán)重的實現(xiàn),具有很好的參考價值,希望對大家有所幫助。一起跟隨小編過來看看吧2020-01-01

