R：xgboost曲线roc曲线

2019年7月27日 819次阅读

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 =“二元：物流”

我对xgboost的参数指标“auc”(CRAN manual的第9页)感到困惑,它说区域.
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(对于xgboost).

谢谢

最佳答案 我先来谈谈ROC曲线

The ROC curve is created by plotting the true positive rate (TPR) against the false positive rate (FPR) at various threshold settings.

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

点赞