Question

我正在使用scikit学习，我想绘制精度和召回曲线。我正在使用的分类器是RandomForestClassifier。 scikit学习文档中的所有资源均使用二进制分类。另外，我可以为多刻度绘制ROC曲线吗？

此外，我只为支持多标签的SVM找到了它，它具有的决策功能是RandomForest没有的

Answer 1

来自scikit-learn文档：

Precision-Recall：

精确召回曲线通常在二进制分类中用于研究分类器的输出。为了扩展精度调用曲线和平均精度为多类或多标签分类时，有必要对输出进行二值化。每个标签可以绘制一条曲线，但也可以绘制一条曲线通过考虑标签的每个元素的精确调用曲线指标矩阵作为二进制预测（微平均）。

Receiver Operating Characteristic (ROC)：

ROC曲线通常用于二进制分类研究分类器的输出。为了将ROC曲线和ROC面积扩展到多类或多标签分类，有必要二值化输出。每个标签可以绘制一条ROC曲线，但也可以绘制一条通过考虑标签指示器的每个元素来绘制ROC曲线矩阵作为二进制预测（微平均）。

因此，您应该对输出进行二值化，并考虑每个类的Precision-Recall和roc曲线。此外，您将使用predict_proba来获得类概率。

我将代码分为三部分：

常规设置，学习和预测
精确召回曲线
ROC曲线

1。常规设置，学习和预测

from sklearn.datasets import fetch_mldata
from sklearn.model_selection import train_test_split
from sklearn.ensemble import RandomForestClassifier
from sklearn.multiclass import OneVsRestClassifier
from sklearn.metrics import precision_recall_curve, roc_curve
from sklearn.preprocessing import label_binarize

import matplotlib.pyplot as plt
#%matplotlib inline

mnist = fetch_mldata("MNIST original")
n_classes = len(set(mnist.target))

Y = label_binarize(mnist.target, classes=[*range(n_classes)])

X_train, X_test, y_train, y_test = train_test_split(mnist.data,
                                                    Y,
                                                    random_state = 42)

clf = OneVsRestClassifier(RandomForestClassifier(n_estimators=50,
                             max_depth=3,
                             random_state=0))
clf.fit(X_train, y_train)

y_score = clf.predict_proba(X_test)

2。精确调用曲线

# precision recall curve
precision = dict()
recall = dict()
for i in range(n_classes):
    precision[i], recall[i], _ = precision_recall_curve(y_test[:, i],
                                                        y_score[:, i]))
    plt.plot(recall[i], precision[i], lw=2, label='class {}'.format(i))

plt.xlabel("recall")
plt.ylabel("precision")
plt.legend(loc="best")
plt.title("precision vs. recall curve")
plt.show()

3。 ROC曲线

# roc curve
fpr = dict()
tpr = dict()

for i in range(n_classes):
    fpr[i], tpr[i], _ = roc_curve(y_test[:, i],
                                  y_score[:, i]))
    plt.plot(fpr[i], tpr[i], lw=2, label='class {}'.format(i))

plt.xlabel("false positive rate")
plt.ylabel("true positive rate")
plt.legend(loc="best")
plt.title("ROC curve")
plt.show()

如何绘制精度和多类分类器的召回率？

1 个答案: