auc曲线面积与roc曲线，Auc曲线

以pandas数据格式输入，画svm的交叉验证auc曲线import numpy as npimport matplotlib.pyplot as pltimport pandas as pdfrom sklearn.ensemble import RandomForestClassifierfrom sklearn.model_selection import train_test_split,GridSearchCV,StratifiedKFoldfrom sklearn.metrics import classification_reportfrom sklearn import svm, datasetsfrom sklearn.metrics import roc_curve, aucfrom scipy import interpdef draw_auc(): X = np.array(pd_data.head(5000).drop(columns=["KILLED"])) y = np.array(pd_data.head(5000)["KILLED"]) random_state = np.random.RandomState(0) cv = StratifiedKFold(n_splits=6).split(X,y) classifier = svm.SVC(kernel='linear', probability=True, random_state=random_state) # 注意这里，probability=True,需要，不然预测的时候会出现异常。另外rbf核效果更好些。 mean_tpr = 0.0 mean_fpr = np.linspace(0, 1, 100) all_tpr = [] for i, (train, test) in enumerate(cv): # 通过训练数据，使用svm线性核建立模型，并对测试集进行测试，求出预测得分 probas_ = classifier.fit(X[train], y[train]).predict_proba(X[test]) # Compute ROC curve and area the curve # 通过roc_curve()函数，求出fpr和tpr，以及阈值 fpr, tpr, thresholds = roc_curve(y[test], probas_[:, 1]) mean_tpr += interp(mean_fpr, fpr, tpr) # 对mean_tpr在mean_fpr处进行插值，通过scipy包调用interp()函数 mean_tpr[0] = 0.0 # 初始处为0 roc_auc = auc(fpr, tpr) # 画图，只需要plt.plot(fpr,tpr),变量roc_auc只是记录auc的值，通过auc()函数能计算出来 plt.plot(fpr, tpr, lw=1, label='ROC fold %d (area = %0.2f)' % (i, roc_auc)) # 画对角线 plt.plot([0, 1], [0, 1], '--', color=(0.6, 0.6, 0.6), label='Luck') mean_tpr /= len(list(cv)) # 在mean_fpr100个点，每个点处插值插值多次取平均 mean_tpr[-1] = 1.0 # 坐标最后一个点为（1,1） mean_auc = auc(mean_fpr, mean_tpr) # 计算平均AUC值 # 画平均ROC曲线 # print mean_fpr,len(mean_fpr) # print mean_tpr plt.plot(mean_fpr, mean_tpr, 'k--', label='Mean ROC (area = %0.2f)' % mean_auc, lw=2) plt.xlim([-0.05, 1.05]) plt.ylim([-0.05, 1.05]) plt.xlabel('False Positive Rate') plt.ylabel('True Positive Rate') plt.title('Receiver operating 隐形的镜子 example') plt.legend(loc="lower right") plt.show()
73516543