python与机器学习(三)——真正(负)率 / 假正(负)例 / ROC / AUC

2024-03-15 08:18

本文主要是介绍python与机器学习(三)——真正(负)率 / 假正(负)例 / ROC / AUC,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

读取data.csv文件数据完成:

1.分别计算真正例(TP)、真负例(TN)、假正例(FP)、假负例(FN)数量
2.分别计算各类别(正/负例)的精确率(Precision)、召回率(Recall)、F1值(F1-score)
3.分别计算精确率、召回率、F1-score的宏平均(Macro Average)并且计算准确率(Accuracy)
4.绘制ROC曲线并计算曲线下面积AUC (可使用sklearn包)

其中"data.csv"的部分数据如下所示:
data.csv

1 读取数据

预测概率转换为预测类别:

以0.5为阈值,将预测概率predict_prob列二值化为0/1,即值小于0.5的元素变为0,不小于0.5的元素变为1,建议新生成单独的预测类别数组
注:读取数据的标签中1表示正例,0表示负例

import pandas as pd
import numpy as np
DATA_PATH = 'data.csv'
data = pd.read_csv(DATA_PATH)
def transform(a):if a['predict_prob'] < 0.5:a.loc['predict_prob'] = 0else:a.loc['predict_prob'] = 1return a
data0 = data.loc[:].apply(transform, axis = 1)
data0

2 计算真正例(TP)、真负例(TN)、假正例(FP)、假负例(FN)数值

def count(data, a, b):ans = 0;for indexs in data.index:if data.loc[indexs, 'predict_prob'] == a and data.loc[indexs, 'label'] == b:ans += 1return ans;
TP = count(data0, 1, 1)
TN = count(data0, 0, 0)
FP = count(data0, 1, 0)
FN = count(data0, 0, 1)
print(str(TP)+'\n'+str(TN)+'\n'+str(FP)+'\n'+str(FN))

运行结果如下:

348
198
14
9

3 计算各类别(正/负例)的精确率(Precision)、召回率(Recall)、F1值

PP = TP/(TP+FP)
NP = TN/(TN+FN)
PR = TP/(TP+FN)
NR = TN/(TN+FP)
PF1 = 2*(PP*PR/(PP+PR))
NF1 = 2*(NP*NR/(NP+NR))
print('%.4f\n%.4f\n%.4f\n%.4f\n%.4f\n%.4f\n' %(PP, NP, PR, NR, PF1, NF1))

运行结果如下:

0.9613
0.9565
0.9748
0.9340
0.9680
0.9451

4 计算精确率、召回率、F1值的宏平均(Macro Average)并且计算准确率

P = (PP+NP)/2
R = (PR+NR)/2
F1 = (PF1+NF1)/2
A = (TP+TN)/(TP+FP+TN+FN)
print('%.4f\n%.4f\n%.4f\n%.4f'%(P, R, F1, A))

运行结果如下:

0.9589
0.9544
0.9566
0.9596

5 绘制ROC曲线并计算曲线下面积AUC

from sklearn.metrics import roc_curve, auc
import matplotlib as mpl  
import matplotlib.pyplot as plt
def plot_roc(labels, predict_prob):false_positive_rate,true_positive_rate,thresholds=roc_curve(labels, predict_prob)roc_auc=auc(false_positive_rate, true_positive_rate)plt.title('ROC')plt.plot(false_positive_rate, true_positive_rate,'b',label='AUC = %0.4f'% roc_auc)plt.legend(loc='lower right')plt.plot([0,1],[0,1],'r--')plt.ylabel('TPR')plt.xlabel('FPR')plt.show()plot_roc(data['label'], data['predict_prob'])

运行结果如下:
结果

这篇关于python与机器学习(三)——真正(负)率 / 假正(负)例 / ROC / AUC的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/811329

相关文章

HarmonyOS学习(七)——UI(五)常用布局总结

自适应布局 1.1、线性布局(LinearLayout) 通过线性容器Row和Column实现线性布局。Column容器内的子组件按照垂直方向排列,Row组件中的子组件按照水平方向排列。 属性说明space通过space参数设置主轴上子组件的间距,达到各子组件在排列上的等间距效果alignItems设置子组件在交叉轴上的对齐方式,且在各类尺寸屏幕上表现一致,其中交叉轴为垂直时,取值为Vert

Ilya-AI分享的他在OpenAI学习到的15个提示工程技巧

Ilya(不是本人,claude AI)在社交媒体上分享了他在OpenAI学习到的15个Prompt撰写技巧。 以下是详细的内容: 提示精确化:在编写提示时,力求表达清晰准确。清楚地阐述任务需求和概念定义至关重要。例:不用"分析文本",而用"判断这段话的情感倾向:积极、消极还是中性"。 快速迭代:善于快速连续调整提示。熟练的提示工程师能够灵活地进行多轮优化。例:从"总结文章"到"用

python: 多模块(.py)中全局变量的导入

文章目录 global关键字可变类型和不可变类型数据的内存地址单模块(单个py文件)的全局变量示例总结 多模块(多个py文件)的全局变量from x import x导入全局变量示例 import x导入全局变量示例 总结 global关键字 global 的作用范围是模块(.py)级别: 当你在一个模块(文件)中使用 global 声明变量时,这个变量只在该模块的全局命名空

【前端学习】AntV G6-08 深入图形与图形分组、自定义节点、节点动画(下)

【课程链接】 AntV G6:深入图形与图形分组、自定义节点、节点动画(下)_哔哩哔哩_bilibili 本章十吾老师讲解了一个复杂的自定义节点中,应该怎样去计算和绘制图形,如何给一个图形制作不间断的动画,以及在鼠标事件之后产生动画。(有点难,需要好好理解) <!DOCTYPE html><html><head><meta charset="UTF-8"><title>06

学习hash总结

2014/1/29/   最近刚开始学hash,名字很陌生,但是hash的思想却很熟悉,以前早就做过此类的题,但是不知道这就是hash思想而已,说白了hash就是一个映射,往往灵活利用数组的下标来实现算法,hash的作用:1、判重;2、统计次数;

【Python编程】Linux创建虚拟环境并配置与notebook相连接

1.创建 使用 venv 创建虚拟环境。例如,在当前目录下创建一个名为 myenv 的虚拟环境: python3 -m venv myenv 2.激活 激活虚拟环境使其成为当前终端会话的活动环境。运行: source myenv/bin/activate 3.与notebook连接 在虚拟环境中,使用 pip 安装 Jupyter 和 ipykernel: pip instal

零基础学习Redis(10) -- zset类型命令使用

zset是有序集合,内部除了存储元素外,还会存储一个score,存储在zset中的元素会按照score的大小升序排列,不同元素的score可以重复,score相同的元素会按照元素的字典序排列。 1. zset常用命令 1.1 zadd  zadd key [NX | XX] [GT | LT]   [CH] [INCR] score member [score member ...]

【机器学习】高斯过程的基本概念和应用领域以及在python中的实例

引言 高斯过程(Gaussian Process,简称GP)是一种概率模型,用于描述一组随机变量的联合概率分布,其中任何一个有限维度的子集都具有高斯分布 文章目录 引言一、高斯过程1.1 基本定义1.1.1 随机过程1.1.2 高斯分布 1.2 高斯过程的特性1.2.1 联合高斯性1.2.2 均值函数1.2.3 协方差函数(或核函数) 1.3 核函数1.4 高斯过程回归(Gauss

【学习笔记】 陈强-机器学习-Python-Ch15 人工神经网络(1)sklearn

系列文章目录 监督学习:参数方法 【学习笔记】 陈强-机器学习-Python-Ch4 线性回归 【学习笔记】 陈强-机器学习-Python-Ch5 逻辑回归 【课后题练习】 陈强-机器学习-Python-Ch5 逻辑回归(SAheart.csv) 【学习笔记】 陈强-机器学习-Python-Ch6 多项逻辑回归 【学习笔记 及 课后题练习】 陈强-机器学习-Python-Ch7 判别分析 【学

系统架构师考试学习笔记第三篇——架构设计高级知识(20)通信系统架构设计理论与实践

本章知识考点:         第20课时主要学习通信系统架构设计的理论和工作中的实践。根据新版考试大纲,本课时知识点会涉及案例分析题(25分),而在历年考试中,案例题对该部分内容的考查并不多,虽在综合知识选择题目中经常考查,但分值也不高。本课时内容侧重于对知识点的记忆和理解,按照以往的出题规律,通信系统架构设计基础知识点多来源于教材内的基础网络设备、网络架构和教材外最新时事热点技术。本课时知识