注意
转到末尾 下载完整示例代码。或通过 JupyterLite 或 Binder 在浏览器中运行此示例
ROC 曲线与可视化 API#
Scikit-learn 定义了一个简单的 API，用于创建机器学习可视化。此 API 的主要特点是允许快速绘图和视觉调整，而无需重新计算。在此示例中，我们将通过比较 ROC 曲线来演示如何使用可视化 API。
# Authors: The scikit-learn developers
# SPDX-License-Identifier: BSD-3-Clause
加载数据并训练 SVC#
首先，我们加载葡萄酒数据集并将其转换为二元分类问题。然后，我们在训练数据集上训练一个支持向量分类器。
import matplotlib.pyplot as plt
from sklearn.datasets import load_wine
from sklearn.ensemble import RandomForestClassifier
from sklearn.metrics import RocCurveDisplay
from sklearn.model_selection import train_test_split
from sklearn.svm import SVC
X, y = load_wine(return_X_y=True)
y = y == 2
X_train, X_test, y_train, y_test = train_test_split(X, y, random_state=42)
svc = SVC(random_state=42)
svc.fit(X_train, y_train)
绘制 ROC 曲线#
接下来，我们通过一次调用 sklearn.metrics.RocCurveDisplay.from_estimator 绘制 ROC 曲线。返回的 svc_disp 对象允许我们在未来的绘图中继续使用已为 SVC 计算的 ROC 曲线。
svc_disp = RocCurveDisplay.from_estimator(svc, X_test, y_test)
plt.show()
训练随机森林并绘制 ROC 曲线#
我们训练一个随机森林分类器，并创建一个图表，将其与 SVC ROC 曲线进行比较。请注意 svc_disp 如何使用 plot 绘制 SVC ROC 曲线，而无需重新计算 ROC 曲线本身的值。此外，我们将 alpha=0.8 传递给绘图函数，以调整曲线的 alpha 值。
rfc = RandomForestClassifier(n_estimators=10, random_state=42)
rfc.fit(X_train, y_train)
ax = plt.gca()
rfc_disp = RocCurveDisplay.from_estimator(
rfc, X_test, y_test, ax=ax, curve_kwargs=dict(alpha=0.8)
)
svc_disp.plot(ax=ax, curve_kwargs=dict(alpha=0.8))
plt.show()
脚本总运行时间： (0 分 0.147 秒)
相关示例
