python绘制pr曲线图_利用Python中的numpy包实现PR曲线和ROC曲线的计算!

闲来无事，边理解PR曲线和ROC曲线，边写了一下计算两个指标的代码。在python环境下，sklearn里有现成的函数计算ROC曲线坐标点，这里为了深入理解这两个指标，写代码的时候只用到numpy包。事实证明，实践是检验真理的唯一标准，在手写代码的过程中，才能真正体会到这两个评判标准的一些小细节，代码记录如下。

一、模拟一个预测结果

因为两个曲线都是用来判断一个分类器分类性能的，所以这里直接用随机数生成一组类别和对应的置信度。类别有0、1两个类别。置信度从0到1随机生成。data_len = 50

label = np.random.randint(0, 2, size=data_len)

score = np.random.choice(np.arange(0.1, 1, 0.01), data_len)

复制代码

生成结果如下：其中第一行代表真实的类别，第二行代表分类器判断目标是类别1的置信度。

label 1 0 1 0 0 1 1 …… score 0.22 0.31 0.92 0.34 0.37 0.18 0.51 …… 因为我们的置信度是随机生成的，所以得到的结果等同于一个二分类器“瞎猜”的结果。

二、PR曲线

Python学习交流群：1004391443，这里是python学习者聚集地，有大牛答疑，有资源共享！小编也准备了一份python学习资料，有想学习python编程的，或是转行，或是大学生，还有工作中想提升自己能力的，正在学习的小伙伴欢迎加入学习。

不管是PR曲线还是ROC曲线，首先要选定一个类别，然后针对这个类别具体计算。

该曲线的横坐标是召回率(R)，纵坐标是精确度(P)，故命名为PR曲线。 举一个简单的例子来说明P和R的定义：假设一个二分类器需要预测100个样本，这些样本中有80个类别1，20个类别0。当把置信度取某一个值S时，假设此时分类器认为有60个样本是类别1，在预测的这60个人样本中，有50个样本预测正确，其余10个样本预测错误。那么，对于类别1的P、R值计算如下：