从 scikit-learn (sklearn) 中的多 class 数据计算 AUC 和 ROC 曲线？

Question

我正在尝试使用 scikit-learn 模块计算 AUC 并为三个不同分类器的输出绘制 ROC 曲线以比较它们的性能。我对这个话题很陌生，我很难理解我应该如何将我拥有的数据输入到 roc_curve and auc 函数中。

对于测试集中的每个项目，我都有真实值和三个分类器中每一个的输出。类是 ['N', 'L', 'W', 'T']。此外，我对分类器输出的每个值都有一个置信度分数。如何将此信息传递给 roc_curve 函数？

我需要 label_binarize 我的输入数据吗？如何将分类器输出的 [class, confidence] 对列表转换为 roc_curve 预期的 y_score？

感谢您的帮助！有关 ROC 曲线的良好资源也会有所帮助。

Answer 1

您需要使用label_binarize函数，然后您可以绘制多class ROC。

使用 Iris 数据的示例：

import matplotlib.pyplot as plt
from sklearn import svm, datasets
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import label_binarize
from sklearn.metrics import roc_curve, auc
from sklearn.multiclass import OneVsRestClassifier
from itertools import cycle
plt.style.use('ggplot')

iris = datasets.load_iris()
X = iris.data
y = iris.target

# Binarize the output
y = label_binarize(y, classes=[0, 1, 2])
n_classes = y.shape[1]

X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=.5, random_state=0)

classifier = OneVsRestClassifier(svm.SVC(kernel='linear', probability=True,
                                 random_state=0))
y_score = classifier.fit(X_train, y_train).decision_function(X_test)

fpr = dict()
tpr = dict()
roc_auc = dict()
for i in range(n_classes):
    fpr[i], tpr[i], _ = roc_curve(y_test[:, i], y_score[:, i])
    roc_auc[i] = auc(fpr[i], tpr[i])
colors = cycle(['blue', 'red', 'green'])
for i, color in zip(range(n_classes), colors):
    plt.plot(fpr[i], tpr[i], color=color, lw=1.5,
             label='ROC curve of class {0} (area = {1:0.2f})'
             ''.format(i, roc_auc[i]))
plt.plot([0, 1], [0, 1], 'k--', lw=1.5)
plt.xlim([-0.05, 1.0])
plt.ylim([0.0, 1.05])
plt.xlabel('False Positive Rate')
plt.ylabel('True Positive Rate')
plt.title('Receiver operating characteristic for multi-class data')
plt.legend(loc="lower right")
plt.show()

从 scikit-learn (sklearn) 中的多 class 数据计算 AUC 和 ROC 曲线？

Computing AUC and ROC curve from multi-class data in scikit-learn (sklearn)?

python

machine-learning

scikit-learn

roc

auc