基于Python绘制ROC曲线：从鸢尾花数据到TPR/FPR计算详解

Ruby

发布时间：2026-10-14| 6人浏览过

原创

本文详细解析如何使用Python绘制ROC曲线。以鸢尾花数据集为例，通过回归拟合获取概率值，对测试数据进行排序，并基于TPR和FPR公式计算真阳性率与假阳性率。文章涵盖从数据预处理、模型预测到最终绘图的全过程，帮助读者理解分类模型的性能评估方法。

ROC曲线简介与结果概述

ROC

结果

数据准备：鸢尾花数据集处理

源数据采用鸢尾花数据集，且仅选取其中的两个类别进行训练和检测。

Summary

特征字段包括：['sepal length (cm)', 'sepal width (cm)', 'petal length (cm)', 'petal width (cm)']

实例数据为：[5.1, 3.5, 1.4, 0.2] 目标标签：'setosa' 和 'versicolor'（分别对应0和1）

模型训练与概率预测

使用回归方法进行拟合，从而得到模型参数和偏置项（bias）。

model.fit(data_train, data_train_label)

对测试数据进行预测，得到相应的概率值。

res = model.predict(data[:100])

数据排序与统计量计算

将预测结果与训练集的标签进行匹配，并按概率值从大到小进行排序。


    pred labels
68 0.758208    1
87 0.753780    1
76 0.745833    1
50 0.743156    1
65 0.741676    1
75 0.739117    1
62 0.738255    1
54 0.737036    1
52 0.733625    1
77 0.728139    1
86 0.727547    1
74 0.726261    1
58 0.725150    1
71 0.724719    1
36 0.724142    0
14 0.723990    0
31 0.721648    0
41 0.720308    0
72 0.717723    1
79 0.712833    1
97 0.705148    1
51 0.702838    1
35 0.702203    0
98 0.701731    1
92 0.701106    1
82 0.700661    1
53 0.700465    1
18 0.699350    0
16 0.696915    0
64 0.693333    1
..    ...   ...
33 0.658937    0
96 0.656761    1
30 0.656279    0
57 0.655673    1
4  0.652616    0
85 0.648620    1
59 0.648586    1
19 0.646965    0
70 0.646262    1
88 0.644482    1
8  0.643191    0
38 0.642704    0
3  0.640933    0
55 0.640630    1
47 0.640444    0
95 0.639552    1
13 0.639050    0
22 0.638485    0
29 0.635590    0
90 0.634376    1
37 0.632224    0
6  0.631119    0
46 0.630037    0
11 0.629718    0
66 0.627807    1
42 0.624795    0
44 0.621703    0
32 0.614932    0
24 0.603874    0
84 0.603249    1

计算训练集中正确预测的个数与错误预测的个数。

TPR与FPR计算及绘图

运用以下算式进行TPR（真正例率）和FPR（假正例率）的计算。


index = 0
for i in sorted_mat.values:
  if i[1] == 0:
    TPR.append(TPR[index])
    FPR.append(FPR[index] + 1.0/F_num)
  else:
    TPR.append(TPR[index] + 1.0/T_num)
    FPR.append(FPR[index])
  index += 1

最后，根据计算得到的TPR和FPR值进行绘图。

以上就是本文的全部内容，希望对大家的学习有所帮助，也希望大家多多支持本站。