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。该 API 的关键特性是允许快速绘图和无需重新计算即可进行视觉调整。在本例中，我们将演示如何通过比较 ROC 曲线来使用可视化 API。

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，我们使用对 sklearn.metrics.RocCurveDisplay.from_estimator 的单个调用来绘制 ROC 曲线。返回的 svc_disp 对象允许我们在将来的绘图中继续使用已计算的 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表，将其与 SVC ROC 曲线进行比较。请注意，svc_disp 如何使用 plot 来绘制 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 0.168 秒）