python如何画roc曲线,如何把多个roc曲线图画在一起
这篇文章主要给大家介绍了关于大蟒如何将多个模型的皇家对空观察队曲线绘制在一张图的相关资料,文中通过实例代码介绍的非常详细,对大家的学习或者工作具有一定的参考学习价值,需要的朋友可以参考下
目录
多条皇家对空观察队曲线绘制函数绘制效果调用格式与方法详细解释和说明1.关键函数2.参数解释需要注意的小小坑补充总结
多条ROC曲线绘制函数
def multi_models_roc(名称,采样方法,颜色,X_test,y_test,save=True,dpin=100):
将多个机器模型的大鹏图输出到一张图上
Args:
名称:列表,多个模型的名称
取样_方法:列表,多个模型的实例化对象
保存:选择是否将结果保存(默认为png格式)
返回:
返回图片对象血小板计数
plt.figure(figsize=(20,20),dpi=dpin)
邮政编码为(名称、方法、颜色):的(名称、方法、颜色)
method.fit(X_train,y_train)
y _ test _ preds=方法。预测(X测试)
y _ test _ pred prob=方法。predict _ proba(X _ test)[:1]
fpr,tpr,thresholds=roc_curve(y_test,y_test_predprob,pos_label=1)
plt.plot(fpr,tpr,lw=5,label={} (AUC={:3f}) .格式(名称,auc(fpr,tpr)),颜色=颜色名称)
plt.plot([0,1],[0,1],-,lw=5,color=grey )
平面轴(方形)
plt.xlim([0,1])
plt.ylim([0,1])
plt.xlabel(假阳性率,fontsize=20)
plt.ylabel(真阳性率,fontsize=20)
plt.title(ROC曲线,fontsize=25)
plt.legend(loc=右下角,fontsize=20)
如果保存:
multi _ models _ roc . png’)
退货计划
绘制效果
调用格式与方法
调用方法时,需要把模型本身(如clf_xx),模型名字(如GBDT)和对应颜色(如深红色)按照顺序、以列表形式传入函数作为参数。
名称=[逻辑回归,
随机森林,
XGBoost ,
AdaBoost ,
GBDT,
LGBM]
sampling_methods=[clf_lr,
clf_rf,
clf_xgb,
clf_adb,
clf_gbdt,
clf_lgbm
]
colors = [crimson,
orange,
gold,
mediumseagreen,
steelblue,
mediumpurple
]
#ROC curves
train_roc_graph = multi_models_roc(names, sampling_methods, colors, X_train, y_train, save = True)
train_roc_graph.savefig(ROC_Train_all.png)
详细解释和说明
1.关键函数
(1)plt.figure(figsize=(20, 20), dpi=dpin)
在for循环外绘制图片的大体框架。figsize控制图片大小,dpin控制图片的信息量(其实可以理解为清晰度?documentation的说明是The resolution of the figure in dots-per-inch)
(2)zip()
函数用于将可迭代的对象作为参数,将对象中对应的元素打包成一个个元组,然后返回由这些元组组成的列表。
(3)roc_curve()
fpr, tpr, thresholds = roc_curve(y_test, y_test_predprob, pos_label=1)
该函数的传入参数为目标特征的真实值y_test和模型的预测值y_test_predprob。需要为pos_label赋值,指明正样本的值。
该函数的返回值 fpr、tpr和thresholds 均为ndarray, 为对应每一个不同的阈值下计算出的不同的真阳性率和假阳性率。这些值,就对应着ROC图中的各个点。
(4)auc()
plt.plot(fpr, tpr, lw=5, label={} (AUC={:.3f}).format(name, auc(fpr, tpr)),color = colorname)
函数auc(),传入参数为fpr和tpr,返回结果为模型auc值,即曲线下面积值。
以上代码在使用fpr和tpr绘制ROC曲线的同时,也确定了标签(图例)的内容和格式。
2. 参数解释
(1)sampling_methods
是包含多个模型名字的list。所有模型不需要fit过再传入函数,只需要定义好即可。
clf = RandomForestClassifier(n_estimators = 100, max_depth=3, min_samples_split=0.2, random_state=0)
(2)X_test, y_test
X_test 和 y_test 两个参数用于传入函数后计算各个模型的预测值。
y_test_predprob = method.predict_proba(X_test)[:,1]fpr, tpr, thresholds = roc_curve(y_test, y_test_predprob, pos_label=1)
如果需要绘制的是训练集的ROC曲线,则可以在对应参数位置分别传入X_trian和y_train即可。
(3)names 和 colors
这两个参数均为字符串列表形式。注意,这两个列表的值要和模型参数中的模型顺序一一对应。
如有需要绘制更多的模型,只需要对应增加列表中的值即可。
需要注意的小小坑
1.同一张图片的同一种方法只能调用一次!!!
plt.legend(loc=lower right)plt.legend(fontsize=10)
如果像上图中的我一样,把同一张图片plt的方法legend()调用两次,那么下一个的方法中的参数就会将上一个的参数覆盖!这种情况下,我就发现第一个方法赋值的location完全不起作用……
这个时候就需要将这个函数整合如下图~(其实本来就是应该这么写的,我也不知道为啥我脑子一抽写了两个,可能是ggplot给我的美好印象挥之不去吧)
plt.legend(loc=lower right,fontsize=10)
补充
根据小伙伴的评论提问,在这里进行一下解释说明:
1.这个函数是适用于所有数据集的,只需要导入数据集后进行训练集和测试集的划分即可。(我在调用格式与方法部分调用函数使用的是X_train 和y_train,绘制出的则是不同模型在训练集表现的ROC曲线)
划分训练集和测试集的代码如下(以使用8:2划分训练集测试集为例)
# 8:2划分训练集测试集X, y = df.drop(target,axis=1), df[target]
X_train, X_test, y_train, y_test = train_test_split(X, y, train_size=0.8, random_state=0)
df:导入数据集
target:目标特征(y)
train_size:训练集占比80%
random_state: 随机数种子,不同随机数种子划分的训练集和测试集会有不同。
总结
到此这篇关于python如何将多个模型的ROC曲线绘制在一张图的文章就介绍到这了,更多相关python多模型的ROC曲线绘制内容请搜索盛行IT软件开发工作室以前的文章或继续浏览下面的相关文章希望大家以后多多支持盛行IT软件开发工作室!
郑重声明:本文由网友发布,不代表盛行IT的观点,版权归原作者所有,仅为传播更多信息之目的,如有侵权请联系,我们将第一时间修改或删除,多谢。