python语言中BP神经网络分类中如何画roc曲线？

Question

使用bp神经网络进行分类，但是不知道如何画ROC曲线，和代价敏感曲线。有老师知道吗？望指点一下。

Answer 1

以下回答参考 皆我百晓生、券券喵儿 等免费微信小程序相关内容作答，并由本人整理回复。

在Python中，我们可以使用scikit-learn库中的classification_report函数来绘制ROC曲线和代价敏感曲线。以下是一个简单的例子：

from sklearn.metrics import roc_curve, auc
from sklearn.linear_model import LogisticRegression

# 假设我们有一个数据集X和对应的标签y
X = ...  # 数据集
y = ...  # 标签

# 创建一个Logistic Regression模型
model = LogisticRegression()

# 训练模型
model.fit(X, y)

# 预测
y_pred_proba = model.predict_proba(X)[:, 1]

# 获取真实值和预测概率的索引
true_indices = np.where(y == 1)[0]
false_indices = np.where(y == 0)[0]

# 绘制ROC曲线
fpr, tpr, thresholds = roc_curve(true_indices, y_pred_proba[true_indices])
roc_auc = auc(fpr, tpr)
plt.plot(fpr, tpr, label='Logistic Regression (area = %0.2f)' % roc_auc)

# 绘制代价敏感曲线
tprs = []
aucs = []
for i in range(len(thresholds)):
    threshold = thresholds[i]
    fnr = float(len(true_indices[y_pred_proba < threshold])) / len(true_indices)
    tpr += [fnr]
    aucs.append(auc(fpr, tpr))

plt.plot([0, 1], [0, 1], 'k--')
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 Example')
plt.legend(loc="lower right")
plt.show()

这个例子首先训练了一个Logistic回归模型，然后计算了模型的预测概率，并将这些概率与真实的标签进行了比较。接着，它绘制了ROC曲线，其中真阳性率（TPR）随假阳性率（FPR）的变化而变化；并且还绘制了代价敏感曲线，其中真实值（Y）随预测概率（P）的变化而变化。

注意：这个例子假设你的数据是二元分类问题。如果你的数据是多类分类问题，你需要先对每个类别进行二分处理。此外，你可能还需要调整阈值以适应不同的任务需求。