這期內容當中小編將會給大家帶來有關如何使用4個樣本畫出ROC曲線，文章內容豐富且以專業的角度為大家分析和敘述，閱讀完這篇文章希望大家可以有所收獲。
ROC 曲線，作為評價機器學習模型敏感度的一條重要曲線，在分類任務評價機制中應用較多。
但是很多朋友對于 ROC 曲線的理解還是有些模糊，心想著 x 軸是 FPR, y 軸是 TPR, 組條曲線有些神秘。
今天，咱們用 4 個樣本，使用邏輯回歸，分類閾值分別從 0.,0.2,0.4,0.6,0.8,1.0，依次變化，分別求出對應分類閾值的 FRP 和 TPR 值。
這樣不就得到 6 個 (FRP,TPR) 點，組個曲線，不就是 ROC 曲線嗎！
# 有監督任務，四個樣本的實際值：
target = np.array([1,0,1,0])
計算公式：
def TPR(TP,FN):
return TP / (TP + FN)
def FPR(FP,TN):
return FP / (FP + TN)
使用邏輯回歸 Logistic regression，得到 4 個樣本的概率分布為：[0.8,0.6,0.4,0.2]
當分類閾值參數 alpha 為 0.0 時：
y0 = np.array([1,1,1,1])
p00 = [TPR(2,0),FPR(2,0)]
p00
結果：
[1.0, 1.0]
當分類閾值參數 alpha 為 0.2 時：
# 同理，假如分類閾值 alpha = 0.2
#
y02 = np.array([1,1,1,1])
p02 = [TPR(2,0),FPR(2,0)]
p02
結果：
[1.0, 1.0]
當分類閾值參數 alpha 為 0.4 時：
target = np.array([1,0,1,0])
y04 = np.array([1,1,1,0])
p04 = [TPR(2,0),FPR(1,1)]
p04
結果：
[1.0, 0.5]
當分類閾值參數 alpha 為 0.6 時：
# 同理，假如分類閾值 alpha = 0.6
#
target = np.array([1,0,1,0])
y06 = np.array([1,1,0,0])
p06 = [TPR(1,1),FPR(1,1)]
p06
結果：
[0.5, 0.5]
當分類閾值參數 alpha 為 0.8 時：
# 同理，假如分類閾值 alpha = 0.8
#
target = np.array([1,0,1,0])
y08 = np.array([1,0,0,0])
p08 = [TPR(1,1),FPR(0,2)]
p08
結果：
[0.5, 0.0]
當分類閾值參數 alpha 為 1.0 時：
# 同理，假如分類閾值 alpha = 1.0
#
target = np.array([1,0,1,0])
y10 = np.array([0,0,0,0])
p10 = [TPR(0,2),FPR(0,2)]
p10
結果：
[0.0, 0.0]
繪制以上 6 個點，得到 ROC 曲線：
npxy = np.array(xy)
fpr = npxy[:,1]
tpr = npxy[:,0]
plt.scatter(fpr,tpr)
plt.plot(fpr,tpr)
plt.grid()
alphas = [0.0,0.2,0.4,0.6,0.8,1.0]
for alpha,x,y in zip(alphas,fpr,tpr):
plt.annotate("alpha=%s" % (alpha,), xy=(x,y), xytext=(-20, 10), textcoords='offset points')
上述就是小編為大家分享的如何使用4個樣本畫出ROC曲線了，如果剛好有類似的疑惑，不妨參照上述分析進行理解。如果想知道更多相關知識，歡迎關注億速云行業資訊頻道。
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。
