Note

Go to the end to download the full example code. or to run this example in your browser via Binder

ROC 曲线与可视化 API#

Scikit-learn 定义了一个用于创建机器学习可视化的简单 API。该 API 的主要特点是允许快速绘图和视觉调整，而无需重新计算。在本例中，我们将演示如何通过比较 ROC 曲线来使用可视化 API。

加载数据并训练支持向量分类器#

首先，我们加载葡萄酒数据集并将其转换为二分类问题。然后，我们在训练数据集上训练一个支持向量分类器。

import matplotlib.pyplot as plt

from sklearn.datasets import load_wine
from sklearn.ensemble import RandomForestClassifier
from sklearn.metrics import RocCurveDisplay
from sklearn.model_selection import train_test_split
from sklearn.svm import SVC

X, y = load_wine(return_X_y=True)
y = y == 2

X_train, X_test, y_train, y_test = train_test_split(X, y, random_state=42)
svc = SVC(random_state=42)
svc.fit(X_train, y_train)

SVC(random_state=42)

In a Jupyter environment, please rerun this cell to show the HTML representation or trust the notebook.
On GitHub, the HTML representation is unable to render, please try loading this page with nbviewer.org.

绘制ROC曲线#

接下来，我们通过调用 sklearn.metrics.RocCurveDisplay.from_estimator 绘制ROC曲线。返回的 svc_disp 对象允许我们在未来的绘图中继续使用已经计算好的SVC的ROC曲线。

svc_disp = RocCurveDisplay.from_estimator(svc, X_test, y_test)
plt.show()

训练随机森林并绘制ROC曲线#

我们训练一个随机森林分类器，并创建一个图表将其与SVC的ROC曲线进行比较。注意， svc_disp 使用 plot 来绘制SVC的ROC曲线，而无需重新计算ROC曲线的值。此外，我们在绘图函数中传递 alpha=0.8 来调整曲线的alpha值。

rfc = RandomForestClassifier(n_estimators=10, random_state=42)
rfc.fit(X_train, y_train)
ax = plt.gca()
rfc_disp = RocCurveDisplay.from_estimator(rfc, X_test, y_test, ax=ax, alpha=0.8)
svc_disp.plot(ax=ax, alpha=0.8)
plt.show()