python绘制评价指标

### 使用 Python 绘制机器学习评价指标 #### 准确率、精确率、召回率和 F1 分数 为了计算并展示这些基本评估指标，可以利用 `sklearn` 库中的函数来获取模型预测的结果，并进一步通过 `matplotlib` 或者 `seaborn` 来可视化数据。 ```python from sklearn.metrics import accuracy_score, precision_score, recall_score, f1_score import matplotlib.pyplot as plt import seaborn as sns def plot_classification_metrics(y_true, y_pred): acc = accuracy_score(y_true, y_pred) pre = precision_score(y_true, y_pred, average='weighted') rec = recall_score(y_true, y_pred, average='weighted') f1 = f1_score(y_true, y_pred, average='weighted') metrics = ['Accuracy', 'Precision', 'Recall', 'F1 Score'] scores = [acc, pre, rec, f1] fig, ax = plt.subplots() bars = ax.bar(metrics, scores) # Add value labels on top of the bars for bar in bars: height = bar.get_height() ax.text(bar.get_x() + bar.get_width()/2., height, f'{height:.2f}', ha='center', va='bottom') plt.title('Classification Metrics Scores') plt.ylim(0, 1.1) # To give some space above the highest bar. plt.show() # Example usage with dummy data (replace these lines with actual predictions and true values from a model) y_true_example = [0, 1, 1, 0, 1] y_pred_example = [0, 1, 0, 0, 1] plot_classification_metrics(y_true_example, y_pred_example) ``` 此代码片段定义了一个名为 `plot_classification_metrics` 的函数，该函数接受真实标签 (`y_true`) 和预测标签 (`y_pred`) 参数作为输入，并绘制条形图显示四个分类性能度量：准确率、精确率、召回率以及 F1 分数值[^1]。 #### ROC 曲线及其 AUC 值 对于二元分类问题而言，可以通过构建接收操作特征（ROC）曲线来直观理解不同阈值下的分类效果。这通常涉及到真阳性和假阳性比率之间的权衡关系。 ```python from sklearn.metrics import roc_curve, auc import numpy as np def plot_roc_curve(y_true, y_scores): fpr, tpr, _ = roc_curve(y_true, y_scores) roc_auc = auc(fpr, tpr) plt.figure() lw = 2 plt.plot(fpr, tpr, color='darkorange', lw=lw, label=f'ROC curve (area = {roc_auc:.2f})') plt.plot([0, 1], [0, 1], color='navy', lw=lw, linestyle='--') 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 Curve') plt.legend(loc="lower right") plt.show() # Example usage with dummy probability scores (replace this line with actual prediction probabilities from a binary classifier) y_scores_example = np.array([0.1, 0.4, 0.35, 0.8]) plot_roc_curve(y_true_example, y_scores_example) ``` 这段脚本展示了如何创建一个简单的 ROC 图表，它不仅画出了曲线下面积(Area Under Curve)，还包含了对角虚线表示随机猜测的情况。注意这里假设已经有一个能够给出概率估计的二类分类器[^2]。