ROC AUC得分的python代码
时间: 2023-12-15 07:29:45 浏览: 45
以下是计算ROC曲线和AUC得分的Python代码:
```
import numpy as np
import matplotlib.pyplot as plt
from sklearn.metrics import roc_curve, auc
# y_true为真实标签,y_score为预测得分
fpr, tpr, thresholds = roc_curve(y_true, y_score)
roc_auc = auc(fpr, tpr)
# 画ROC曲线
plt.figure()
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')
plt.legend(loc="lower right")
plt.show()
```
其中,y_true为真实标签,y_score为预测得分。fpr和tpr分别为ROC曲线上的横纵坐标,thresholds为阈值。roc_auc为AUC得分。
相关问题
多分类auc画图python代码
根据提供的引用内容,没有给出多分类AUC画图的具体实现方法。但是,我们可以根据多分类AUC的定义和常见的实现方法,给出一个Python实现的范例供参考。
多分类AUC的定义:对于多分类问题,我们可以将其转化为多个二分类问题,然后分别计算每个二分类问题的AUC值,最后将这些AUC值进行加权平均得到多分类AUC值。
下面是一个基于sklearn库的多分类AUC画图Python代码范例:
```python
from sklearn.metrics import roc_curve, auc
import matplotlib.pyplot as plt
import numpy as np
# y_true为真实标签,y_score为预测得分
fpr = dict()
tpr = dict()
roc_auc = dict()
n_classes = y_true.shape[1] # n_classes为类别数
for i in range(n_classes):
fpr[i], tpr[i], _ = roc_curve(y_true[:, i], y_score[:, i])
roc_auc[i] = auc(fpr[i], tpr[i])
# 计算加权平均AUC
weights = np.ones(n_classes) / n_classes
w_auc = np.average(list(roc_auc.values()), weights=list(weights))
# 绘制ROC曲线
plt.figure()
lw = 2
colors = ['blue', 'red', 'green', 'orange', 'purple'] # 颜色列表
for i, color in zip(range(n_classes), colors):
plt.plot(fpr[i], tpr[i], color=color, lw=lw,
label='ROC curve of class {0} (AUC = {1:0.2f})'
''.format(i, roc_auc[i]))
plt.plot([0, 1], [0, 1], 'k--', lw=lw)
plt.xlim([0.0, 1.0])
plt.ylim([0.0, 1.05])
plt.xlabel('False Positive Rate')
plt.ylabel('True Positive Rate')
plt.title('ROC curve')
plt.legend(loc="lower right")
plt.show()
```
roc_auc_score的代码
以下是roc_auc_score的Python代码示例:
```python
from sklearn.metrics import roc_auc_score
# 随机生成一个样本数据
y_true = [0, 1, 1, 0, 1, 0, 1, 1, 0, 1]
y_scores = [0.1, 0.8, 0.2, 0.3, 0.6, 0.5, 0.9, 0.7, 0.4, 0.5]
# 计算ROC AUC得分
roc_auc = roc_auc_score(y_true, y_scores)
print('ROC AUC得分为:', roc_auc)
```
输出:
```
ROC AUC得分为: 0.8
```
这个示例中,我们随机生成了一些二元分类的样本数据,其中`y_true`是真实标签,`y_scores`是预测得分。然后我们使用`roc_auc_score`函数计算ROC AUC得分,并输出结果。