python 使用sklearn绘制roc曲线选取合适的分类阈值
2021-02-09 07:16
标签：nav 结果 分析 print show div precision auc targe https://zhuanlan.zhihu.com/p/26293316 比如, 我已经初步训练好了一个模型,现在我想用这个模型从海量的无标记数据集挖掘出某一类数据A,并且想要尽量不包含其他所有类B 但我挖掘出的结果必然包含错误的,我拿出的A越多,同时附带的分类错数据B也就越多, 一般,拿出的A占总体比例越大,拿出的B类也会占总体比例越大,这个比例的变化一般是单调非线性的,且根据实际情况,我们可接受的比例也不同 简单来说,不同的recall对应不同的precision,它对应的阈值也不同,我们需要根据实际情况进行分析,找到最合适实际情况的 可以使用roc曲线来寻找 以下代码可以绘制roc并且根据recall找到对应的precision python 使用sklearn绘制roc曲线选取合适的分类阈值 标签：nav 结果 分析 print show div precision auc targe 原文地址：https://www.cnblogs.com/nervendnig/p/12752383.html fpr, tpr, thresholds = roc_curve(target, score, pos_label=1)
for i in range(tpr.shape[0]):
if tpr[i] > _recall:
print(tpr[i], 1-fpr[i], thresholds[i])
break
roc_auc = auc(fpr, tpr)
plt.figure(figsize=(10, 10))
plt.plot(fpr, tpr, color=‘darkorange‘,
lw=2, label=‘ROC curve (area = %0.2f)‘ % roc_auc)
plt.plot([0, 1], [0, 1], color=‘navy‘, lw=2, linestyle=‘--‘)
plt.xlim([0.0, 1.0])
plt.ylim([0.0, 1.05])
plt.xlabel(‘False Positive Rate‘)
plt.ylabel(‘True Positive Rate‘)
plt.title(‘Receiver operating characteristic example‘)
plt.legend(loc="lower right")
results_dir,_tmp = os.path.split(label_files)
plt.savefig(results_dir+"/roc.png")
plt.show()
下一篇：机器学习之线性回归算法
文章标题：python 使用sklearn绘制roc曲线选取合适的分类阈值
文章链接：http://soscw.com/index.php/essay/52985.html