python 使用sklearn绘制roc曲线选取合适的分类阈值
内容导读
互联网集市收集整理的这篇技术教程文章主要介绍了python 使用sklearn绘制roc曲线选取合适的分类阈值,小编现在分享给大家,供广大互联网技能从业者学习和参考。文章包含1164字,纯文字阅读大概需要2分钟。
内容图文
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
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()
内容总结
以上是互联网集市为您收集整理的python 使用sklearn绘制roc曲线选取合适的分类阈值全部内容,希望文章能够帮你解决python 使用sklearn绘制roc曲线选取合适的分类阈值所遇到的程序开发问题。 如果觉得互联网集市技术教程内容还不错,欢迎将互联网集市网站推荐给程序员好友。
内容备注
版权声明:本文内容由互联网用户自发贡献,该文观点与技术仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容, 请发送邮件至 gblab@vip.qq.com 举报,一经查实,本站将立刻删除。
内容手机端
扫描二维码推送至手机访问。