R：xgboost曲线roc曲线-Java 学习之路

绘制roc曲线：

library(ROCR)
<data cleaning/scrubbing>
<train data>
.....
.....
rf.perf = performance(rf.prediction, "tpr", "fpr") #for RF
logit.perf = performance (logit.prediction, "tpr", "fpr") #for logistic reg
tree.perf = performance(tree.prediction, "tpr", "fpr") #for cart tree
...
plot(re.perf) #a RF roc curve

如果我想运行 xgboost 分类并随后绘制roc：objective = "binary:logistics"

我'm confused with the xgboost' s参数指标"auc"（CRAN manual的第9页），它表示区域 . 如何使用tpr和fpr绘制曲线以进行模型比较？

我尝试搜索网络和github，最重视功能重要性图（适用于 xgboost ） .

谢谢

1 回答

我先来谈谈ROC曲线

通过在各种阈值设置下绘制真阳性率（TPR）与假阳性率（FPR）来创建ROC曲线 .

在python中，它可以很容易地完成：

from sklearn import metrics
def buildROC(target_test,test_preds):
    fpr, tpr, threshold = metrics.roc_curve(target_test, test_preds)
    roc_auc = metrics.auc(fpr, tpr)
    plt.title('Receiver Operating Characteristic')
    plt.plot(fpr, tpr, 'b', label = 'AUC = %0.2f' % roc_auc)
    plt.legend(loc = 'lower right')
    plt.plot([0, 1], [0, 1],'r--')
    plt.ylabel('True Positive Rate')
    plt.xlabel('False Positive Rate')
    plt.gcf().savefig('roc.png')

enter image description here

例如，在上面的图像中，在某个阈值和假阳性率0.2的成本，我们可以得到真正的正近0.96 - 0.97

A good documentation on ROC

回复于 2024-05-02T16:42:42+08:00

R：xgboost曲线roc曲线

1 回答

相关问题