首先以支持向量机模型为例

先导入需要使用的包，我们将使用roc_curve这个函数绘制ROC曲线！

from sklearn.svm import SVC
from sklearn.metrics import roc_curve
from sklearn.datasets import make_blobs
from sklearn. model_selection import train_test_split
import matplotlib.pyplot as plt
%matplotlib inline

然后使用下面make_blobs函数，生成一个二分类的数据不平衡数据集；

使用train_test_split函数划分训练集和测试集数据；

训练SVC模型。

X,y = make_blobs(n_samples=(4000,500), cluster_std=[7,2], random_state=0)
 
X_train,X_test,y_train, y_test = train_test_split(X,y,random_state=0)
 
clf = SVC(gamma=0.05).fit(X_train, y_train)

fpr,tpr, thresholds = roc_curve(y_test,clf.decision_function(X_test))
 
plt.plot(fpr,tpr,label='ROC')
 
plt.xlabel('FPR')
plt.ylabel('TPR')

从上面的代码可以看到，我们使用roc_curve函数生成三个变量，分别是fpr,tpr, thresholds，也就是假正例率（FPR）、真正例率（TPR）和阈值。

而其中的fpr,tpr正是我们绘制ROC曲线的横纵坐标，于是我们以变量fpr为横坐标，tpr为纵坐标，绘制相应的ROC图像如下：

值得注意的是上面的支持向量机模型使用的decision_function函数，是自己所特有的，而其他模型不能直接使用。

比如说我们想要使用其他模型（例如决策树模型）的结果绘制ROC,直接套用上面的代码，会报错，会显示没有这个函数。

以决策树模型为例，解决上述问题（适用于除向量机外的模型）

导入决策树模型包以及训练模型的代码省略了，只需要手动改一改就行了，我们直接看绘图的代码！

fpr,tpr, thresholds = roc_curve(y_test,clf.predict_proba(X_test)[:,1])
 
 
plt.plot(fpr,tpr,label='ROC')
 
plt.xlabel('FPR')
plt.ylabel('TPR')

可以看到我们直接把只适用于支持向量机模型的函数decision_function更改成predict_proba(X_test)[:,1]就行了，让我们看看结果：

可以看到哈，决策树模型在这个数据集上的泛化能力不如支持向量机哈！！！学废了吗。

免责声明：本站发布的内容（图片、视频和文字）以原创、转载和分享为主，文章观点不代表本网站立场，如果涉及侵权请联系站长邮箱：mmqy2019@163.com进行举报，并提供相关证据，查实之后，将立刻删除涉嫌侵权内容。

猜你喜欢

• Python OpenCV处理图片亮度不均衡的方法是什么

  当我们换新头像时，常常会遇到图片过暗导致看不到图片内容的情况，本文将介绍如何通过Python和OpenCV解决色彩图亮度不均衡的问题，需要的可以参考一下

• Python三位数逆序输出的方法及代码是什么

  Python三位数逆序输出的方法及代码是什么，有不少朋友对此感兴趣，下面小编给大家整理和分享了相关知识和资料，易于大家学习和理解，有需要的朋友可以借鉴参考，下面我们一起来了解一下吧。

• Python的jieba模块的安装与使用是怎样的

  这篇文章主要介绍了python中jieba模块的深入了解，jieba模块是一个python第三方中文分词模块，可以用于将语句中的中文词语分离出来

• ansible工具怎样配置， 常用命令和模块有哪些

  ansible是新出现的自动化运维工具，基于Python开发，集合了众多运维工具（puppet、chef、func、fabric）的优点，实现了批量系统配置、批量程序部署、批量运行命令等功能，这篇文章主要介绍了python开发的自动化运维工具ansible详解,需要的朋友可以参考下

• python中的chardet库有何用处？用法是什么？

  这篇文章主要介绍python中的chardet库的作用和用法，小编觉得挺实用的，对于在学习python爬虫的朋友，chardet库有很大的用处，因此分享给大家做个学习参考，希望大家阅读完这篇文章能有所收获，接下来小编带着大家一起了解看看。