pythonに基づいてROC曲線描画広場解析を実現します。
ROC
結果
ソースデータ:トビの花データセット(その中の二つの種類の花だけを使って訓練と測定を行います。)
Summary
feat ures:''sepal length(cm)'sepal width(cm)'、'petal length(cm)'
実例:[5.1,3.5,1.4,0.2]
target:'setora''vericolor'(0,1)
回帰法を用いてフィッティングしてパラメータとbiasを得た。
TPRとFSRの計算を使って行います。
以上が本文の全部です。皆さんの勉強に役に立つように、私たちを応援してください。
結果
ソースデータ:トビの花データセット(その中の二つの種類の花だけを使って訓練と測定を行います。)
Summary
feat ures:''sepal length(cm)'sepal width(cm)'、'petal length(cm)'
実例:[5.1,3.5,1.4,0.2]
target:'setora''vericolor'(0,1)
回帰法を用いてフィッティングしてパラメータとbiasを得た。
model.fit(data_train, data_train_label)
試験データを予測して確率値を得るres = model.predict(data[:100])
トレーニングセットのlabelsに合わせて並べ替えを行います。(大きいから小さいまで)
pred labels
68 0.758208 1
87 0.753780 1
76 0.745833 1
50 0.743156 1
65 0.741676 1
75 0.739117 1
62 0.738255 1
54 0.737036 1
52 0.733625 1
77 0.728139 1
86 0.727547 1
74 0.726261 1
58 0.725150 1
71 0.724719 1
36 0.724142 0
14 0.723990 0
31 0.721648 0
41 0.720308 0
72 0.717723 1
79 0.712833 1
97 0.705148 1
51 0.702838 1
35 0.702203 0
98 0.701731 1
92 0.701106 1
82 0.700661 1
53 0.700465 1
18 0.699350 0
16 0.696915 0
64 0.693333 1
.. ... ...
33 0.658937 0
96 0.656761 1
30 0.656279 0
57 0.655673 1
4 0.652616 0
85 0.648620 1
59 0.648586 1
19 0.646965 0
70 0.646262 1
88 0.644482 1
8 0.643191 0
38 0.642704 0
3 0.640933 0
55 0.640630 1
47 0.640444 0
95 0.639552 1
13 0.639050 0
22 0.638485 0
29 0.635590 0
90 0.634376 1
37 0.632224 0
6 0.631119 0
46 0.630037 0
11 0.629718 0
66 0.627807 1
42 0.624795 0
44 0.621703 0
32 0.614932 0
24 0.603874 0
84 0.603249 1
トレーニングセットの正しい個数と不正な個数を計算します。TPRとFSRの計算を使って行います。
index = 0
for i in sorted_mat.values:
if i[1] == 0:
TPR.append(TPR[index])
FPR.append(FPR[index] + 1.0/F_num)
else:
TPR.append(TPR[index] + 1.0/T_num)
FPR.append(FPR[index])
index += 1
最後にTPRとFSRの描写を行います。以上が本文の全部です。皆さんの勉強に役に立つように、私たちを応援してください。