使用可视化API的ROC曲线#

Scikit-learn定义了一个简单的API，用于创建机器学习的可视化效果。此API的关键特性是允许快速绘图和视觉调整，而无需重新计算。在此示例中，我们将演示如何通过比较ROC曲线来使用可视化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)

SVC(random_state=42)

在Jupyter环境中，请重新运行此单元格以显示HTML表示或信任笔记本。
在GitHub上，HTML表示无法呈现，请尝试使用nbviewer.org加载此页面。

绘制ROC曲线#

接下来，我们通过一次调用sklearn.metrics.RocCurveDisplay.from_estimator来绘制ROC曲线。返回的svc_disp对象允许我们继续在将来的绘图中使用已经计算出的SVC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，并创建一个图来将其与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, alpha=0.8)
svc_disp.plot(ax=ax, alpha=0.8)
plt.show()

脚本的总运行时间：（0分钟0.177秒）