Tracer la courbe ROC pour la classification binaire avec Matplotlib

ROC Curve and AUC For evaluating a binary classification model, Area under the Curve is often used. AUC (In most cases, C represents ROC curve) is the size of area under the plotted curve. In ROC (Receiver operating characteristic) curve, true positive rates are plotted against false positive rates. The closer AUC of a model is getting to 1, the better the model is. It means, a model with higher AUC is preferred over those with lower AUC.

Calculating AUC is not so difficult as you can find scikit-learn module for AUC and all you need to do is passing your prediction vector and target score vector to AUC module. Then, the module calculates true positive rates and false positive rates automatically and returns AUC value.

Plot ROC Curve The purpose of using AUC is to evaluate your model's prediction. As AUC returns results as numeric values. So just by comparing those numbers, you can pick which model has the best prediction performance. However, in my opinion, showing a plot instead of numbers are instinctively much convincible and easy to grab the concept. Therefore, not just calculating AUC, but also I tried to plot ROC Curve.

Following the instruction here http://scikit-learn.org/stable/auto_examples/model_selection/plot_roc.html, I implemented the code like below. Note that, in the example below, "predictions_test" contains prediction results by my model and "outcome_test" is target score for comparison.

from sklearn.metrics import roc_curve, auc
fpr, tpr, thresholds = roc_curve(predictions_test, outcome_test)
roc_auc = auc(fpr, tpr)

plt.figure()
plt.plot(fpr, tpr, color='darkorange', lw=1, label='ROC curve (area = %0.2f)' % roc_auc)
plt.plot([0, 1], [0, 1], color='navy', lw=lw, linestyle='--')
plt.xlim([0.0, 1.0])
plt.ylim([0.0, 1.05])
plt.xlabel('False Positive Rate')
plt.ylabel('True Positive Rate')
plt.title('Receiver operating characteristic')
plt.legend(loc="lower right")
plt.show()

Then, the following figure returned.

image

ROC Curve for binary classification Successfully I was able to get ROC Curve polt, however, it is actually a little bit different from what I expected like below.

image

It seems like there are only 3 points (including [0,0] and [1,1]) in my ROC curve. It is not a curve at all. I wondered and googled it and I found out this is how ROC curve works.

According to the post: https://stackoverflow.com/questions/30051284/plotting-a-roc-curve-in-scikit-yields-only-3-points, the number of points in ROC curve depends on the number of unique value in input data. In this case, this is binary classification problem so input has only binary value 0 and 1. Therefore, ROC curve for my prediction model is nothing wrong.

Recommended Posts

Tracer la courbe ROC pour la classification binaire avec Matplotlib
Courbe ROC pour la classification multi-classes
Graphique 3D avec matplotlib
Bar plot empilable avec matplotlib
Créer une animation de tracé avec Python + Matplotlib
Couleur en continu avec le diagramme de dispersion matplotlib
Effectuer un tracé de probabilité normale logarithmique avec Python, matplotlib
[Scikit-learn] J'ai joué avec la courbe ROC
Tracez des graphiques en noir et blanc adaptés aux papiers avec matplotlib ou pylab
Carte thermique pour la recherche de grille avec Matplotlib
Les bases de Pandas pour les débutants ③ Créez un histogramme avec matplotlib
Créer un diagramme de dispersion 3D avec SciPy + matplotlib (Python)
Animation avec matplotlib
Japonais avec matplotlib
Animation avec matplotlib
histogramme avec matplotlib
Faire une animation avec matplotlib
[Pour les débutants] Script dans les 10 lignes (8. Carte graphique avec folium [2]
(Pour ceux qui ne connaissent pas Matplotlib) Conseils pour dessiner des graphiques avec Seaborn
Création de la méthode ρ pour décrypter une courbe elliptique avec python
[Python] Comment dessiner un diagramme de dispersion avec Matplotlib
Bases de Seaborn pour les débutants ③ Diagramme de dispersion (jointplot) * Avec histogramme