我第一次使用scikit学习指标,我想用这个库绘制一条roc曲线。
此ROC曲线表示AUC = 1.00,我知道这是不正确的。这是代码:
from sklearn.metrics import roc_curve, auc
import pylab as pl
def show_roc(test_target, predicted_probs):
# set number 1
actual = [1, -1, -1, -1, -1, 1, -1, -1, 1, -1, -1, -1, -1, -1, -1, -1, 1, -1, -1, -1]
prediction_probas = [0.374, 0.145, 0.263, 0.129, 0.215, 0.538, 0.24, 0.183, 0.402, 0.2, 0.281,
0.277, 0.222, 0.204, 0.193, 0.171, 0.401, 0.204, 0.213, 0.182]
fpr, tpr, thresholds = roc_curve(actual, prediction_probas)
roc_auc = auc(fpr, tpr)
# Plot ROC curve
pl.clf()
pl.plot(fpr, tpr, label='ROC curve (area = %0.2f)' % roc_auc)
pl.plot([0, 1], [0, 1], 'k--')
pl.xlim([-0.1, 1.2])
pl.ylim([-0.1, 1.2])
pl.xlabel('False Positive Rate')
pl.ylabel('True Positive Rate')
pl.title('Receiver operating characteristic example')
pl.legend(loc="lower right")
pl.show()
第一组,这是图表: http://i.stack.imgur.com/pa93c.png
概率非常低,特别是对于积极因素,我不知道为什么它会为这些输入显示完美的ROC图。
# set number 2
actual = [1,1,1,0,0,0]
prediction_probas = [0.9,0.9,0.1,0.1,0.1,0.1]
fpr, tpr, thresholds = roc_curve(actual, prediction_probas)
roc_auc = auc(fpr, tpr)
# Plot ROC curve
pl.clf()
pl.plot(fpr, tpr, label='ROC curve (area = %0.2f)' % roc_auc)
pl.plot([0, 1], [0, 1], 'k--')
pl.xlim([-0.1, 1.2])
pl.ylim([-0.1, 1.2])
pl.xlabel('False Positive Rate')
pl.ylabel('True Positive Rate')
pl.title('Receiver operating characteristic example')
pl.legend(loc="lower right")
pl.show()
这里的第二组是图形输出:
这个似乎更合理,我把它包括在内进行比较。
我几天整天阅读了scikit学习文档,我很难过。
答案 0 :(得分:1)
您获得了完美的曲线,因为您的标签actual
与您的预测分数prediction_probas
对齐。即使TP得分较低,1s和-1s之间仍然存在可区分的边界,这转化为它们的分类可接受的阈值。
尝试将较高得分的1中的一个更改为-1,或将-1中的任何一个更改为1并查看生成的曲线