溫馨提示×
您好，登錄后才能下訂單哦！
點擊 登錄注冊 即表示同意《億速云用戶服務條款》
您好，登錄后才能下訂單哦！
這篇文章將為大家詳細講解有關python實現ROC曲線繪制廣場案例分析，小編覺得挺實用的，因此分享給大家做個參考，希望大家閱讀完這篇文章后可以有所收獲。
ROC
結果
源數據:鳶尾花數據集（僅采用其中的兩種類別的花進行訓練和檢測）
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和bias
model.fit(data_train, data_train_label)
對測試數據進行預測得到概率值
res = model.predict(data[:100])
與訓練集labels匹配后進行排序（從大到小）
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
計算訓練集中正確的個數與非正確的個數
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
關于python實現ROC曲線繪制廣場案例分析就分享到這里了，希望以上內容可以對大家有一定的幫助，可以學到更多知識。如果覺得文章不錯，可以把它分享出去讓更多的人看到。
免責聲明：本站發布的內容（圖片、視頻和文字）以原創、轉載和分享為主，文章觀點不代表本網站立場，如果涉及侵權請聯系站長郵箱：is@yisu.com進行舉報，并提供相關證據，一經查實，將立刻刪除涉嫌侵權內容。
