pyplot做PR-curve
时间:2022-07-26
本文章向大家介绍pyplot做PR-curve,主要内容包括其使用实例、应用技巧、基本知识点总结和需要注意事项,具有一定的参考价值,需要的朋友可以参考一下。
我们可以用sklearn.metrics中的precision_recall_curve()和auc()计算出PR-AUC,然后用matplotlib.pyplot画出PR-curve:
from sklearn.metrics import precision_recall_curve, auc
clf = LogisticRegression()
clf.fit(X_train, y_train)
y_pred_proba = clf.predict_proba(X_test)[::,1]
clf.fit(X_train_e, y_train_e)
y_pred_proba_e = clf.predict_proba(X_test_e)[::,1]
precision, recall, thresholds = precision_recall_curve(y_test, y_pred_proba)
precision_e, recall_e, thresholds_e = precision_recall_curve(y_test_e, y_pred_proba_e)
pr_auc = auc(recall, precision)
pr_auc_e = auc(recall_e, precision_e)
plt.plot(recall,precision, color = 'blue')
plt.plot(recall_e,precision_e, color = 'red')
plt.title('Precision/Recall Curve')
plt.xlabel('Recall')
plt.ylabel('Precision')
plt.legend(loc="upper right", labels = ['Full model {}'.format(round(pr_auc, 2)), 'Expression only model {}'.format(round(pr_auc_e, 2))])
plt.show()
值得注意的是,对于特别不平衡的样本,虽然ROC-AUC可能会很好看,但是PR-AUC多半很一般,甚至很不好,上采样和下采样是非常有必要的,另外不要被ROC_AUC所蒙蔽。
欢迎关注!
- JavaScript 教程
- JavaScript 编辑工具
- JavaScript 与HTML
- JavaScript 与Java
- JavaScript 数据结构
- JavaScript 基本数据类型
- JavaScript 特殊数据类型
- JavaScript 运算符
- JavaScript typeof 运算符
- JavaScript 表达式
- JavaScript 类型转换
- JavaScript 基本语法
- JavaScript 注释
- Javascript 基本处理流程
- Javascript 选择结构
- Javascript if 语句
- Javascript if 语句的嵌套
- Javascript switch 语句
- Javascript 循环结构
- Javascript 循环结构实例
- Javascript 跳转语句
- Javascript 控制语句总结
- Javascript 函数介绍
- Javascript 函数的定义
- Javascript 函数调用
- Javascript 几种特殊的函数
- JavaScript 内置函数简介
- Javascript eval() 函数
- Javascript isFinite() 函数
- Javascript isNaN() 函数
- parseInt() 与 parseFloat()
- escape() 与 unescape()
- Javascript 字符串介绍
- Javascript length属性
- javascript 字符串函数
- Javascript 日期对象简介
- Javascript 日期对象用途
- Date 对象属性和方法
- Javascript 数组是什么
- Javascript 创建数组
- Javascript 数组赋值与取值
- Javascript 数组属性和方法