R:xgboost绘制roc曲线

Question

绘制 roc 曲线:

library(ROCR)
<data cleaning/scrubbing>
<train data>
.....
.....
rf.perf = performance(rf.prediction, "tpr", "fpr") #for RF
logit.perf = performance (logit.prediction, "tpr", "fpr") #for logistic reg
tree.perf = performance(tree.prediction, "tpr", "fpr") #for cart tree
...
plot(re.perf) #a RF roc curve

如果我想运行 xgboost 分类并随后绘制 roc:目标=“二进制:物流”

我对 xgboost 的参数感到困惑指标“auc”( CRAN manual 第 9 页)，它说的是面积。如何用 tpr 和 fpr 绘制曲线进行模型比较？

我尝试在网络和 github 上搜索，最强调的是功能重要性图(针对 xgboost)。

谢谢

Answer 1

先说ROC曲线

The ROC curve is created by plotting the true positive rate (TPR) against the false positive rate (FPR) at various threshold settings.

在 python 中，可以轻松完成:

from sklearn import metrics
def buildROC(target_test,test_preds):
    fpr, tpr, threshold = metrics.roc_curve(target_test, test_preds)
    roc_auc = metrics.auc(fpr, tpr)
    plt.title('Receiver Operating Characteristic')
    plt.plot(fpr, tpr, 'b', label = 'AUC = %0.2f' % roc_auc)
    plt.legend(loc = 'lower right')
    plt.plot([0, 1], [0, 1],'r--')
    plt.ylabel('True Positive Rate')
    plt.xlabel('False Positive Rate')
    plt.gcf().savefig('roc.png')

enter image description here

例如上图中，在一定的阈值下，以假阳性率 0.2 为代价，我们可以获得接近 0.96 - 0.97 的真阳性

A good documentation on ROC