как добавить сюда размер фигуры? # График ROC for i in range(len(allscores[::3])): preds…
- User
как добавить сюда размер фигуры? # График ROC for i in range(len(all_scores[::3])): preds = rd[f'{all_scores[::3][i]}'] fpr, tpr, threshold = roc_curve(rd['target_orm'], preds) roc_auc = auc(fpr, tpr) gini = roc_auc * 2 - 1 plt.title('ROC') plt.plot(fpr, tpr, 'b', label=f'GINI {all_scores[::3][i]} = %0.2f' % gini) plt.legend(loc = 'lower right') plt.plot([0, 1], [0, 1], 'r--') plt.xlim([0, 1]) plt.ylim([0, 1]) plt.ylabel('True Positive Rate') plt.xlabel('False Positive Rate') plt.show()
- Assistant
Для того чтобы добавить размер фигуры к вашему графику, вы можете использовать функцию
plt.figure()из библиотеки Matplotlib перед созданием графика, указав в качестве параметров ширину и высоту фигуры в дюймах. Например, если вы хотите создать фигуру размером 10x8 дюймов, добавьте следующую строку перед вашим циклом:plt.figure(figsize=(10, 8)) # Устанавливаем размер фигуры 10x8 дюймовВесь ваш код с добавленным размером фигуры будет выглядеть так:
import matplotlib.pyplot as plt from sklearn.metrics import roc_curve, auc # График ROC plt.figure(figsize=(10, 8)) # Устанавливаем размер фигуры 10x8 дюймов for i in range(len(all_scores[::3])): preds = rd[f'{all_scores[::3][i]}'] fpr, tpr, threshold = roc_curve(rd['target_orm'], preds) roc_auc = auc(fpr, tpr) gini = roc_auc * 2 - 1 plt.title('ROC') plt.plot(fpr, tpr, label=f'GINI {all_scores[::3][i]} = %0.2f' % gini) plt.legend(loc='lower right') plt.plot([0, 1], [0, 1], 'r--') plt.xlim([0, 1]) plt.ylim([0, 1]) plt.ylabel('True Positive Rate') plt.xlabel('False Positive Rate') plt.show()Это позволит вам контролировать размер выводимого графика. Обратите внимание, что
plt.title('ROC')следует переместить вне цикла, чтобы заголовок не дублировался при каждой итерации. - User
График ROC
plt.figure(figsize=(10, 8)) plt.title('ROC') plt.ylabel('True Positive Rate') plt.xlabel('False Positive Rate') scores_plot = all_scores[::3] for i in range(len(scores_plot)): preds = rd[f'{scores_plot[i]}'] fpr, tpr, threshold = roc_curve(rd['target_orm'], preds) roc_auc = auc(fpr, tpr) gini = roc_auc * 2 - 1
plt.plot(fpr, tpr, 'b', label=f'GINI {scores_plot[i]} = %0.2f' % gini) plt.legend(loc = 'lower right') plt.plot([0, 1], [0, 1], 'r--') plt.xlim([0, 1]) plt.ylim([0, 1])plt.show()
График ROC
plt.figure(figsize=(10, 8)) plt.title('ROC') plt.ylabel('True Positive Rate') plt.xlabel('False Positive Rate') scores_plot = all_scores_wo[::2] for i in range(len(scores_plot)): preds = rd[f'{scores_plot[i]}'] fpr, tpr, threshold = roc_curve(rd['target_orm'], preds) roc_auc = auc(fpr, tpr) gini = roc_auc * 2 - 1
plt.plot(fpr, tpr, 'b', label=f'GINI {scores_plot[i]} = %0.2f' % gini) plt.legend(loc = 'lower right') plt.plot([0, 1], [0, 1], 'r--') plt.xlim([0, 1]) plt.ylim([0, 1])plt.show()
- Assistant
Ваш код построения графиков ROC уже хорошо организован и содержит указанные изменения, такие как установка размера фигуры. Однако есть пара мелких улучшений, которые мы могли бы применить:
- Избавление от множественных операций построения справочной прямой (
'r--') для каждого графика в цикле. Построим эту линию один раз перед началом цикла. - Для цветовой дифференциации линий ROC можно использовать итератор цветов или генерировать случайные цвета, что делает отслеживание множества линий удобнее, когда они относятся к разным моделям.
Внесем эти изменения и посмотрим на новый код:
import matplotlib.pyplot as plt from sklearn.metrics import roc_curve, auc import numpy as np # График ROC для all_scores[::3] plt.figure(figsize=(10, 8)) plt.title('ROC') plt.plot([0, 1], [0, 1], 'r--', label='Chance level') plt.ylabel('True Positive Rate') plt.xlabel('False Positive Rate') scores_plot = all_scores[::3] # Используем цветовую палитру для графиков colors = plt.cm.rainbow(np.linspace(0, 1, len(scores_plot))) for i, color in zip(range(len(scores_plot)), colors): preds = rd[f'{scores_plot[i]}'] fpr, tpr, threshold = roc_curve(rd['target_orm'], preds) roc_auc = auc(fpr, tpr) gini = roc_auc * 2 - 1 plt.plot(fpr, tpr, color=color, label=f'GINI {scores_plot[i]} = %0.2f' % gini) plt.legend(loc='lower right') plt.xlim([0, 1]) plt.ylim([0, 1]) plt.show() # График ROC для all_scores_wo[::2] plt.figure(figsize=(10, 8)) plt.title('ROC') plt.plot([0, 1], [0, 1], 'r--', label='Chance level') plt.ylabel('True Positive Rate') plt.xlabel('False Positive Rate') scores_plot_wo = all_scores_wo[::2] # Используем цветовую палитру для графиков colors = plt.cm.viridis(np.linspace(0, 1, len(scores_plot_wo))) for i, color in zip(range(len(scores_plot_wo)), colors): preds = rd[f'{scores_plot_wo[i]}'] fpr, tpr, threshold = roc_curve(rd['target_orm'], preds) roc_auc = auc(fpr, tpr) gini = roc_auc * 2 - 1 plt.plot(fpr, tpr, color=color, label=f'GINI {scores_plot_wo[i]} = %0.2f' % gini) plt.legend(loc='lower right') plt.xlim([0, 1]) plt.ylim([0, 1]) plt.show()В этом примере используются два разных набора цветов для двух графиков:
rainbowдляall_scores[::3]иviridisдляall_scores_wo[::2]. Вы можете выбрать цветовые карты (colormap) по своему вкусу из доступных вmatplotlib.cm.При большом количестве кривых в одном графике также полезно использовать разные стили отображения кривых (например, различные маркеры, типы линий и т.д.) для еще лучшего визуального различия.
- Избавление от множественных операций построения справочной прямой (