计算机视觉——python在一张图中画多条ROC线

news2025/7/9 8:47:34

在验证分类算法的好坏时,经常需要用到AUC曲线,而在做不同分类模型的对比实验时,需要将不同模型的AUC曲线绘制到一张图里。

计算机视觉——python在一张图中绘制多个模型的对比ROC线

  • 1. 小型分类模型对比,可以直接调用的
  • 2. 大型的CNN模型,无法直接得到结果。
    • 2.1 先分别运行每个分类模型,将预测的结果存入csv文件中。
    • 2.2 从csv文件读取每个模型的预测结果,绘制AUC曲线

1. 小型分类模型对比,可以直接调用的

用一样的数据集做示例,简单地直接分别得到每个分类模型预测的结果。

from sklearn.datasets import load_breast_cancer
from sklearn import metrics
from sklearn.ensemble import RandomForestClassifier, ExtraTreesClassifier
from sklearn.model_selection import train_test_split
import pylab as plt
import warnings; warnings.filterwarnings('ignore')

dataset = load_breast_cancer()
data = dataset.data
target = dataset.target
X_train, X_test, y_train, y_test = train_test_split(data,target,test_size=0.2)
# 模型1调用sklearn中的RandomForestClassifier
rf1 = RandomForestClassifier(n_estimators=5)
rf1.fit(X_train, y_train)
pred1 = rf1.predict_proba(X_test)[:,1]
# 模型2调用sklearn中的ExtraTreesClassifier
rf2 = ExtraTreesClassifier(n_estimators=5)
rf2.fit(X_train, y_train)
pred2 = rf2.predict_proba(X_test)[:,1]

# 画图部分
fpr1, tpr1, threshold1 = metrics.roc_curve(y_test, pred1)       # <class 'numpy.ndarray'> <class 'numpy.ndarray'>
roc_auc1 = metrics.auc(fpr1, tpr1)

fpr2, tpr2, threshold2 = metrics.roc_curve(y_test, pred2)       # <class 'numpy.ndarray'> <class 'numpy.ndarray'>
roc_auc2 = metrics.auc(fpr2, tpr2)

plt.figure(figsize=(6,6))
plt.title('Validation ROC')
plt.plot(fpr1, tpr1, 'b', label = 'RandomForestClassifier AUC = %0.3f' % roc_auc1)
plt.plot(fpr2, tpr2, 'b', label = 'ExtraTreesClassifier AUC = %0.3f' % roc_auc2)
plt.legend(loc = 'lower right')
plt.plot([0, 1], [0, 1],'r--')
plt.xlim([0, 1])
plt.ylim([0, 1])
plt.ylabel('True Positive Rate')
plt.xlabel('False Positive Rate')
plt.savefig("filename.png")
plt.show()
plt.close()

在这里插入图片描述

2. 大型的CNN模型,无法直接得到结果。

2.1 先分别运行每个分类模型,将预测的结果存入csv文件中。

from sklearn.datasets import load_breast_cancer
from sklearn import metrics
from sklearn.ensemble import RandomForestClassifier, ExtraTreesClassifier
from sklearn.model_selection import train_test_split
import pylab as plt
import warnings; warnings.filterwarnings('ignore')
import pandas as pd
import numpy as np
from sklearn.linear_model import LinearRegression   #线性回归
import csv

dataset = load_breast_cancer()
data = dataset.data
target = dataset.target
X_train, X_test, y_train, y_test = train_test_split(data,target,test_size=0.2)
rf1 = RandomForestClassifier(n_estimators=5)
rf1.fit(X_train, y_train)
pred1 = rf1.predict_proba(X_test)[:,1]

dataframe = pd.DataFrame({'真实标签':y_test,'预测概率':pred1})
dataframe.to_csv("test1.csv",index=False,sep=',')

rf2 = ExtraTreesClassifier(n_estimators=5)
rf2.fit(X_train, y_train)
pred2 = rf2.predict_proba(X_test)[:,1]

dataframe = pd.DataFrame({'真实标签':y_test,'预测概率':pred2})
dataframe.to_csv("test2.csv",index=False,sep=',')

2.2 从csv文件读取每个模型的预测结果,绘制AUC曲线

import pandas as pd
import seaborn as sns
import matplotlib.pyplot as plt
from sklearn.metrics import roc_curve, auc

def Draw_ROC(file1,file2):
    '''这里注意读取csv的编码方式,
    如果csv里有中文,在windows系统上可以直接用encoding='ANSI',
    但是到了Mac或者Linux系统上会报错:`LookupError: unknown encoding: ansi`。
    解决方法:
    1. 可以改成encoding='gbk';
    2. 或者把csv文件里的列名改成英文,就不用选择encoding的方式了。
    '''
    data1=pd.read_csv(file1, encoding='ANSI')
    data1=pd.DataFrame(data1)
    data2=pd.read_csv(file2, encoding='ANSI')
    data2=pd.DataFrame(data2)
    print(list(data1['真实标签']), list(data1['positive概率']))
    print(list(data1['真实标签']), list(data2['positive概率']))

    fpr_CSNN,tpr_CSNN,thresholds=roc_curve(list(data1['真实标签']),
                                           list(data1['positive概率']))
    roc_auc_CSSSNN=auc(fpr_CSNN,tpr_CSNN)

    fpr_NN,tpr_NN,thresholds=roc_curve(list(data2['真实标签']),
                                       list(data2['positive概率']))
    roc_auc_DL=auc(fpr_NN,tpr_NN)

    font = {'family': 'Times New Roman',
            'size': 12,
            }		
    '''这里很多电脑上也许默认是'DejaVu Sans'格式,但是在写论文时,
    往往需要'Times New Roman'格式,可以参考[这篇教程](https://blog.csdn.net/weixin_43543177/article/details/109723328)
    '''
    sns.set(font_scale=1.2)
    plt.rc('font',family='Times New Roman')

    plt.plot(fpr_NN,tpr_NN,'purple',label='NN_AUC = %0.2f'% roc_auc_DL)
    plt.plot(fpr_CSNN,tpr_CSNN,'blue',label='CSNN_AUC = %0.2f'% roc_auc_CSSSNN)
    plt.legend(loc='lower right',fontsize = 12)
    plt.plot([0,1],[0,1],'r--')
    plt.ylabel('True Positive Rate',fontsize = 14)
    plt.xlabel('Flase Positive Rate',fontsize = 14)
    plt.show()

if __name__=="__main__":
    Draw_ROC('./test1.csv',
             './test2.csv')

在这里插入图片描述

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。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。如若转载,请注明出处:http://www.coloradmin.cn/o/9135.html

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈,一经查实,立即删除!

相关文章

七夕,程序员教你5个表白代码,2分钟学会,牢牢主抓她的心

七夕。一个有人欢喜有人愁的节日&#xff0c;虽然对一些单身人士不太友好&#xff0c;但还有不少人都在等这个节日进行表白。毕竟这个日子的成功率会高一些。 情人节少不了送花送礼物&#xff0c;作为一个程序员&#xff0c;当然不会在送什么礼物上给你指点一二&#xff0c;但…

适合骑车时候戴的耳机怎么选,列举五款在骑行佩戴的耳机推荐

相信大多数人在运动的过程中都会感觉到枯燥无力的感觉&#xff0c;为此也一直在寻找一些能够让我们在运动中保持最初的热诚&#xff0c;在最终的选择上&#xff0c;绝大多数都是选择了耳机&#xff0c;因为耳机能够产生美妙的音乐&#xff0c;将我们运动的枯燥做进一步的抵消&a…

【附源码】Python计算机毕业设计网络教育平台设计

项目运行 环境配置&#xff1a; Pychram社区版 python3.7.7 Mysql5.7 HBuilderXlist pipNavicat11Djangonodejs。 项目技术&#xff1a; django python Vue 等等组成&#xff0c;B/S模式 pychram管理等等。 环境需要 1.运行环境&#xff1a;最好是python3.7.7&#xff0c;…

【HMS Core】定位服务无法获取街道信息问题

问题描述&#xff1a; 华为HMS-定位服务无法获取省市街道信息 背景&#xff1a;在手机上集成华为定位服务的功能运行后&#xff0c;只能获取到经纬度&#xff0c;无法得到具体地址(城市/街道/建筑)。 配置环境&#xff1a;&#xff08;1&#xff09;手机型号&#xff1a;Red…

c语言实现通讯录(用三种方法来实现一个属于你的通讯录)

前沿&#xff1a; &#xff5e;&#xff5e;在一个周前&#xff0c;我用c语言实现了一个银行账号的功能&#xff0c;在总结当中我说了要实现一个通讯录&#xff0c;来实现人员的增删插改功能&#xff0c;而现在就是我实现它的时候&#xff01;&#xff01;&#xff0c;本文呢小…

基于python命令流及代码的Plaxis自动化建模

有限单元法在岩土工程问题中应用非常广泛&#xff0c;很多商业软件如Plaxis/Abaqus/Comsol等都采用有限单元解法。在使用各大软件进行数值模拟建模的过程中&#xff0c;您是否发现GUI界面中重复性的点击输入工作太繁琐&#xff1f;从而拖慢了设计或方案必选进程&#xff1f; 本…

SpringBoot八种bean的加载方式一学就会

目录 文章目录[toc]第一种bean的加载方式-配置文件第二种加载bean方式-注解和扫描创建第三方的bean对象第三种加载bean方式-不使用配置文件扩展-bean的加载方式扩展FactoryBean<>扩展-ImportResource导入配置文件扩展-proxyBeanMethods属性-产生代理对象第四种加载bean方…

一文读懂,python实现常用的数据编码和对称加密

相信很多使用 python 的小伙伴在工作中都遇到过&#xff0c;对数据进行相关编码或加密的需求&#xff0c;今天这篇文章主要给大家介绍对于一些常用的数据编码和数据加密的方式&#xff0c;如何使用 python 去实现。话不多说&#xff0c;接下来直接进入主题&#xff1a; 1、bas…

Windows OpenGL ES 图像灰度图

目录 一.OpenGL ES 图像灰度图 1.原始图片2.效果演示 二.OpenGL ES 图像灰度图源码下载三.猜你喜欢 零基础 OpenGL ES 学习路线推荐 : OpenGL ES 学习目录 >> OpenGL ES 基础 零基础 OpenGL ES 学习路线推荐 : OpenGL ES 学习目录 >> OpenGL ES 特效 零基础 Open…

Redis添加至windows服务

1.进入redis文件夹 打开redis所在文件夹&#xff0c;在资源管理器地址栏输入cmd&#xff0c;打开管理员命令提示符窗口。 2.配置服务参数 打开redis.windows.conf文件&#xff0c;找到“requirepass”配置项&#xff0c;此处设置redis密码&#xff0c;如果不需要密码&#xff0…

Python如何使用HanNLP工具

Python如何使用HanNLP工具目录系统安装配置 JDK 1.8系统安装 Visual C 2015下载 HanNLP 包测试HanNLP工具目录 目标&#xff1a;使用pycharm调用HanNLP工具完成对文本的分词、自动摘要、关键词提取等任务。 系统安装配置 JDK 1.8 1、windows环境下载 JDK 1.8 2、安装 JDK 1.…

Oracle PrimaveraUnifier空间管理器(Space Manager)

目录 前言 介绍 前言 在Oracle Primavera Unifier设施和资产管理基础产品中除了业务流程及配置管理器之外&#xff0c;其预配置设计还包含本文要介绍的空间管理器&#xff0c;即Space Manager 在Unifier中&#xff0c;空间管理器是用户可以执行设施管理任务的地方。空间管…

xv6---Lab1: Xv6 and Unix utilities

目录 参考资料&#xff1a; 1.1进程和内存 1.2 I/O 和文件描述符 1.3管道 源码&#xff1a; 调试环境搭建 sleep PingPong primes find xargs 参考资料&#xff1a; Lab: Xv6 and Unix utilities xv6-book翻译(自用&#xff09;第一章 - 知乎 1.1进程和内存 一个xv…

html中css的基础学习

小李胖了吗 I 都说秋天适合思念&#xff0c;其实更适合见面【小李胖了吗 I 都说秋天适合思念&#xff0c;其实更适合见面】 https://www.bilibili.com/video/BV19g411B7uL/?share_sourcecopy_web&vd_source385ba0043075be7c24c4aeb4aaa73352 通过本博文的学习&#xff0c…

常见的软件测试面试题,千万别答错了

软件测试的童鞋们&#xff0c;在面试测试工作时&#xff0c;一定遇到面试官问过这个问题&#xff1a; 软件测试的目的意义是什么&#xff1f;大家是怎么回答的呢&#xff1f;如果这个问题回答好了&#xff0c;说明你对软件测试工作的价值与意义了如指掌。 有经验的测试人员可…

[数据结构]栈和队列面试题解析

作者&#xff1a; 华丞臧. 专栏&#xff1a;【数据结构】 各位读者老爷如果觉得博主写的不错&#xff0c;请诸位多多支持(点赞收藏关注)。如果有错误的地方&#xff0c;欢迎在评论区指出。 推荐一款刷题网站 &#x1f449; LeetCode刷题网站 文章目录一、有效括号题目描述解题思…

freemarker+yml介绍 以及freemarker与JSP的区别

目录 1. freemarker介绍 2. freemarker使用步骤 2.1 在pom.xml引入freeMarker的依赖包 2.2 在springboot中添加freemarker配置 2.3 编写模板文件*.ftl(当做jsp使用即可) ​编辑 2.4 访问控制器后进行页面跳转 3. freemarker常用语法 3.1 取值 3.2 条件 3.3 循环 3…

超赞:不愧是“阿里内部Redis学习笔记”从头到尾,全是精华

近几年&#xff0c;随着移动互联网的飞速发展&#xff0c;我们享受着整个社会的技术进步带来的便利&#xff0c;但同时也给从业者带来了如何保证项目的高并发、低延时的技术挑战&#xff0c;相应的互联网技术也随之发生了重大变革&#xff0c;NoSQL技术得到了蓬勃的发展。 Red…

【JavaSE】抽象类与接口

文章目录抽象类的概念抽象类的语法抽象类的特性接口的概念接口的语法接口的特性多接口的实现接口的继承抽象类的概念 什么是抽象类呢&#xff1f;我们先来看一个例子&#xff1a;一个父类是动物类&#xff0c;两个子类一个狗狗类&#xff0c;一个猫猫类。 Animal中有一个dark…

有趣的statement stack

引子 在使用events_statements_current的过程中发现&#xff0c;同一线程在同一时刻&#xff0c;可能有多条记录&#xff0c;与直观感觉不太一样&#xff0c;于是跟踪了一下内部实现&#xff0c;有了本文。 STATEMENT STACK的定义 STATEMENT STACK 是events_statements_curr…