[그래프] ROC커브 그리기

오늘은 ROC커브 그리기에 대해서 정리하려고 합니다.

 

1. Def로 정의해서 커브를 그리기2. 여러개의 커브를 같은 화면에 그리기

 

위의 두 방향으로 오늘 진행해보려 합니다.

 

 

 

우선 ROC커브에 대해서 간단히 설명해볼게요.

 

우선 Binary classification 경우, True를 모두 True로 맞춘 경우!

ROC커브의 면적값은 1이 됩니다.

 

이 말이 무엇이냐...역시 그림을 보면 이해가 쉬울텐데!

 

 

 

아래 그림과 같이 분류모델링의 성능이 좋으면 점점 왼쪽 모서리로 그래프가 올라가는 것입니다.

 

모델의 성능에 따른 roc커브 곡선

 

 

 

이제 코드작성으로 들어가볼까요?

 

 

 

1. 함수로 정의해서 코드 짜기

 

def roc_curve_fnc(p):
    F_positive_rate, T_positive_rate, thresholds =roc_curve(p, test_y)
    roc_auc = auc(F_positive_rate, T_positive_rate)
    plt.step(F_positive_rate, T_positive_rate, color='blue', lw=2)

 

** lw는 line width를 뜻합니다.

 

 

위에처럼 코드를 짜 놓으면,

여러개의 모델을 돌렸을 때 편하게 사용할 수 있지요.

 

 

 

 

예를 들어,

아래 포스팅에서 만들 모델을 가져왔습니다.

favoritethings.tistory.com/27

Isolation Forest와 One-Class SVM

아래와 같이

predict한 값을 return받았다고 해보죠.

 

p_ocsvm=oc_model(ocsvm, train_scaled_x, test_scaled_x, test_y)
p_isf=oc_model(isf, train_scaled_x, test_scaled_x, test_y)

 

 

그렇다면 그 predict값이 실제 분류를 잘 맞춘 지 확인하기 위해서

위의 roc_curve_fnc 함수에 predict값을 넣어주기만 하면 됩니다.

 

 

 

>> roc_curve_fnc(p_ocsvm)

 

 

2. 여러개의 커브를 같은 화면에 그리기

 

# F_positive_rate, T_positive_rate 구하기
ocsvmF_positive_rate, ocsvmT_positive_rate, ocsvm_thresholds =roc_curve(pred_ocsvm, y_test)
isfF_positive_rate, isfT_positive_rate, isv_thresholds =roc_curve(pred_isf, y_test)
xgF_positive_rate, xgT_positive_rate, xg_thresholds =roc_curve(pred_xg, y_test)
 
#roc_auc
ocsvm_roc_auc = auc(ocsvmF_positive_rate, ocsvmT_positive_rate)
isf_roc_auc = auc(isfF_positive_rate, isfT_positive_rate)
xg_roc_auc = auc(xgF_positive_rate, xgT_positive_rate)
 
plt.step(ocsvmF_positive_rate, ocsvmT_positive_rate, color='blue', lw=2)
plt.step(isfF_positive_rate, isfT_positive_rate, color='red', lw=2)
plt.step(xgF_positive_rate, xgT_positive_rate, color='green', lw=2)
 
plt.legend(['ocsvm','isf','xg'])
plt.show()
 

 

 

 

여러개의 ROC커브를 한 화면에 그리면 더 비교가 쉽다는 장점이 있습니다.