今天小编就为大家分享一篇利用大蟒画出罗马纪元曲线的实例，具有很好的参考价值，希望对大家有所帮助。一起跟随小编过来看看吧

以负荷_乳腺癌_癌症数据集为例，模型细节不重要，重点是画罗马纪元的代码。

直接上代码：

从sklearn.datasets导入负荷_乳腺癌_癌症

从sklearn导入指标

从sklearn.ensemble导入随机森林分类器

从sklearn.model_selection导入训练_测试_拆分

将皮拉布作为工厂导入

导入警告；警告.过滤器警告("忽略")

dataset=load_breast_cancer()

数据=数据集.数据

目标=数据集

X_train，X_test，y_train，y_test=train_test_split(data，target，test_size=0.2)

RF=RandomForestClassifier(n _ estimators=5)

rf.fit(X_train，y_train)

pred=rf.predict_proba(X_test)[:1]

#############画图部分

fpr、tpr、阈值=指标。roc _ curve(y _ test，预测)

roc_auc=metrics.auc(fpr，tpr)

plt.figure(figsize=(6，6))

plt.title('验证ROC’)

plt.plot(fpr，tpr，' b '，label='Val AUC=%0.3f' % roc_auc ')

plt.legend(loc='右下角')

plt.plot([0，1]、[0，1]、[r-')

plt.xlim([0，1])

plt.ylim([0，1])

plt.ylabel("真实阳性率")

plt.xlabel('假阳性率')

plt.show()

补充拓展：Python机器学习中的roc_auc曲线绘制

废话不多说，直接上代码

从sklearn.metrics导入roc曲线，auc

从sklearn.ensemble导入随机森林分类器

将matplotlib.pyplot作为plt导入

从sklearn.model_selection导入训练_测试_拆分

x_train，y_train，x_test，y_test=train_test_split(x，y，test_size=0.2)

rf=RandomForestClassifier()

rf.fit(x_train，y_train)

rf.score(x_train，y_train)

打印(' train score:' str(RF best。score(x _ train，y_train)))

打印('测试分数：' str(RF最佳。分数(x _ test，y_test)))

y_score=rfbest.fit(x_train，y_train).预测_ proba(x _ test)#决策函数()不可用

打印(类型(y_score))

fpr，tpr，threshold=roc_curve(y_test，y_score[:1])

roc_auc=auc(fpr，tpr)

plt.figure(figsize=(10，10))

plt.plot(fpr，tpr，color='darkorange '，

lw=2，label='ROC曲线(面积=% 0.2f)% ROC _ AUC)# # #假正率为横坐标，真正率为纵坐标做曲线

plt.plot([0，1]，[0，1]，color='navy '，lw=2，linestyle=' -')

plt.xlim([0.0，1.0])

plt.ylim([0.0，1.05])

plt.xlabel('假阳性率')

plt.ylabel("真实阳性率")

plt.title("接收器操作特性示例")

plt.legend(loc='右下角')

plt.show()

以上这篇利用大蟒画出罗马纪元曲线的实例就是小编分享给大家的全部内容了，希望能给大家一个参考，也希望大家多多支持我们。

郑重声明：本文由网友发布，不代表盛行IT的观点，版权归原作者所有，仅为传播更多信息之目的，如有侵权请联系，我们将第一时间修改或删除，多谢。