Python機器學習：評價分類結果008ROC曲線

真正例率 TPR = TP / (TP + FN)

表示，預測為正例且真實情況為正例的，占所有真實情況中正例的比率。

假正例率 FPR = FP / （TN + FP）

表示的，預測為正例但真實情況為反例的，占所有真實情況中反例的比率。

CODE

依然使用前面的極度有偏數字資料集

def TPR(y_ture,y_predict):
    tp = TP(y_ture,y_predict)
    fn = FN(y_ture,y_predict)
    try:
        return tp / (tp + fn)
    except:
        return 0.0
def FPR(y_ture,y_predict):
    fp = FP(y_ture,y_predict)
    tn = TN(y_ture,y_predict)
    try:
        return fp / (fp + tn)
    except:
        return 0.0
           

#ROC曲線
from sklearn.linear_model import LogisticRegression
log_reg = LogisticRegression()
log_reg.fit(X_train,y_train)
decision_scores = log_reg.decision_function(X_test)
           

from sklearn.metrics import precision_score
from sklearn.metrics import recall_score

fprs = []
tprs = []
thresholds = np.arange(np.min(decision_scores),np.max(decision_scores))
# print(thresholds)
for threshold in thresholds:
    y_predict = np.array(decision_scores >= threshold,dtype='int')
    fprs.append(FPR(y_test,y_predict))
    tprs.append(TPR(y_test,y_predict))

           

import matplotlib.pyplot  as plt
plt.plot(fprs,tprs)
           

scikit-learn中的ROC曲線

#scikit-learn中的ROC曲線
from sklearn.metrics import roc_curve
fprs,tprs,threshold = roc_curve(y_test,decision_scores)