ROC
結果
源數據:鳶尾花數據集（僅採用其中的兩種類別的花進行訓練和檢測）
Summary
features：[‘sepal length (cm)’, ‘sepal width (cm)’, ‘petal length (cm)’, ‘petal width (cm)’]
實例：[5.1, 3.5, 1.4, 0.2]
target：‘setosa’ ‘versicolor’ （0 , 1）
採用迴歸方法進行擬合得到參數和bias
model.fit(data_train, data_train_label)
對測試數據進行預測得到概率值
res = model.predict(data[:100])
與訓練集labels匹配後進行排序（從大到小）
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
計算訓練集中正確的個數與非正確的個數
運用一下的算式進行TPR和FPR的計算
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
最後進行TPR和FPR的描繪