前言

關于ROC和PR曲線的介紹請參考：
機器學習：準確率(Precision)、召回率(Recall)、F值(F-Measure)、ROC曲線、PR曲線

參考：
Python下使用sklearn繪制ROC曲線（超詳細）
Python繪圖|Python繪制ROC曲線和PR曲線文章來源地址http://www.zghlxwxcb.cn/news/detail-660193.html

源碼

from sklearn.metrics import roc_curve, auc
from sklearn.metrics import precision_recall_curve, average_precision_score
import matplotlib.pyplot as plt

def draw_roc(labels, preds):
    '''
    labels: list
    preds: list
    '''
    fpr, tpr, thersholds = roc_curve(labels, preds, pos_label=1) # pos_label指定哪個標簽為正樣本
    roc_auc = auc(fpr, tpr)  # 計算ROC曲線下面積

    plt.figure(figsize=(10,7), dpi=300)
    plt.plot(fpr, tpr, '-', color='r', label='ROC (area=%.6f)' % (roc_auc), lw=2)
    plt.xlim([-0.05, 1.05])
    plt.ylim([-0.05, 1.05])
    plt.xlabel('False Positive Rate')
    plt.ylabel('True Positive Rate')
    plt.title('ROC Curve')
    plt.legend(loc="lower right")
    # plt.show()
    plt.savefig('./roc.png', dpi=300, bbox_inches='tight')

def draw_pr(labels, preds):
    '''
    labels: list
    preds: list
    '''
    precision, recall, thersholds = precision_recall_curve(labels, preds, pos_label=1) # pos_label指定哪個標簽為正樣本
    area = average_precision_score(labels, preds, pos_label=1)  # 計算PR曲線下面積

    plt.figure(figsize=(10,7), dpi=300)
    plt.plot(recall, precision, '-', color='r', label='PR (area=%.6f)' % (area), lw=2)
    plt.xlim([-0.05, 1.05])
    plt.ylim([-0.05, 1.05])
    plt.xlabel('Recall')
    plt.ylabel('Precision')
    plt.title('PR Curve')
    plt.legend(loc="lower left")
    # plt.show()
    plt.savefig('./pr.png', dpi=300, bbox_inches='tight')

到了這里，關于Python包sklearn畫ROC曲線和PR曲線的文章就介紹完了。如果您還想了解更多內容，請在右上角搜索TOY模板網以前的文章或繼續(xù)瀏覽下面的相關文章，希望大家以后多多支持TOY模板網！