ROC - Receiver operating characteristics (ROC) कर्व।
metrics.plot_roc_curve(clf, X_test, y_test) मेथड का उपयोग करके, हम ROC कर्व बना सकते हैं।
चरण
एक रैंडम n-क्लास वर्गीकरण समस्या उत्पन्न करें। यह प्रारंभ में सामान्य रूप से वितरित बिंदुओं के क्लस्टर बनाता है (std=1) ``n_informative``-आयामी हाइपरक्यूब के शीर्षों के बारे में जिसकी भुजाओं की लंबाई ``2*class_sep`` होती है और प्रत्येक क्लास को समान संख्या में क्लस्टर असाइन करता है।
यह इन सुविधाओं के बीच अन्योन्याश्रयता प्रस्तुत करता है और डेटा में विभिन्न प्रकार का शोर जोड़ता है। make_classification() मेथड का उपयोग करें।
train_test_split() मेथड का उपयोग करके ऐरे या मैट्रिक्स को रैंडम ट्रेन में विभाजित करें।
दिए गए प्रशिक्षण डेटा के अनुसार SVM मॉडल फिट करें, fit() मेथड का उपयोग करके।
plot_roc_curve() मेथड का उपयोग करके रिसीवर ऑपरेटिंग विशेषता (ROC) कर्व प्लॉट करें।
आकृति दिखाने के लिए plt.show() मेथड का उपयोग करें।
उदाहरण
import matplotlib.pyplot as plt from sklearn import datasets, metrics, model_selection, svm X, y = datasets.make_classification(random_state=0) X_train, X_test, y_train, y_test = model_selection.train_test_split(X, y, random_state=0) clf = svm.SVC(random_state=0) clf.fit(X_train, y_train) metrics.plot_roc_curve(clf, X_test, y_test) plt.show()
आउटपुट
