记录ROC曲线
绘制ROC（Receiver Operating Characteristic）曲线，用于评估二分类模型的性能。ROC曲线展示了在不同阈值下真正率（True Positive Rate）和假正率（False Positive Rate）的关系。
ROC曲线是评估分类模型性能的重要工具，能够直观地展示模型在不同决策阈值下的表现。
你可以使用swanlab.roc_curve来记录ROC曲线。
基本用法
python
from sklearn.datasets import make_classification
from sklearn.model_selection import train_test_split
import xgboost as xgb
import swanlab
# 生成示例数据
X, y = make_classification(n_samples=1000, n_features=20, n_informative=2, n_redundant=10, random_state=42)
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=42)
# 训练模型
model = xgb.XGBClassifier(use_label_encoder=False, eval_metric='logloss')
model.fit(X_train, y_train)
# 获取预测概率
y_pred_proba = model.predict_proba(X_test)[:, 1]
# 初始化SwanLab
swanlab.init(project="ROC-Curve-Demo", experiment_name="ROC-Curve-Example")
# 记录ROC曲线
swanlab.log({
"roc_curve": swanlab.roc_curve(y_test, y_pred_proba, title=True)
})
swanlab.finish()
自定义标题
python
# 不显示标题(默认)
roc_curve = swanlab.roc_curve(y_test, y_pred_proba, title=False)
swanlab.log({"roc_curve_no_title": roc_curve})
# 显示标题
roc_curve = swanlab.roc_curve(y_test, y_pred_proba, title=True)
swanlab.log({"roc_curve_with_title": roc_curve})
# 自定义标题
roc_curve = swanlab.roc_curve(y_test, y_pred_proba, title="demo")
swanlab.log({"roc_curve_with_custom_title": roc_curve})与其他指标一起使用
python
import swanlab
# 记录多个ML指标
swanlab.log({
"roc_curve": swanlab.roc_curve(y_test, y_pred_proba),
"pr_curve": swanlab.pr_curve(y_test, y_pred_proba),
"accuracy": accuracy_score(y_test, y_pred),
"f1_score": f1_score(y_test, y_pred)
})注意事项
- 数据格式:
y_true和y_pred_proba可以是列表或numpy数组 - 二分类: 此函数专用于二分类问题
- 概率值:
y_pred_proba应该是模型对正类的预测概率，范围在0-1之间 - 依赖包: 需要安装
scikit-learn和pyecharts包 - AUC计算: 函数会自动计算ROC曲线下的面积（AUC），但不会在标题中显示
- 曲线特征: ROC曲线从(0,0)开始，到(1,1)结束，对角线表示随机分类器的性能