Skip to content
TheChatArchiveThe Chat Archive
gpt-4-1106-preview· openaiHugging Face Suzhen/CodeChat

как добавить сюда размер фигуры? # График ROC for i in range(len(allscores[::3])): preds…

  1. 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()

  2. 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 дюймов
    

    Весь 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.

  3. 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()

  4. 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:

    1. Избавление от множественных операций построения справочной прямой ('r--') для каждого графика в цикле. Построим эту линию один раз перед началом цикла.
    2. 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: rainbow для all_scores[::3] и viridis для all_scores_wo[::2]. Вы можете выбрать цветовые карты (colormap) по своему вкусу из доступных в matplotlib.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.