ROC − Receiver operating characteristics (ROC) curve।
metrics.plot_roc_curve(clf, X_test, y_test) মেথড ব্যবহার করে, আমরা ROC কর্ভ আঁকতে পারি।
ধাপসমূহ
একটি র্যান্ডম n-ক্লাস ক্লাসিফিকেশন প্রোবলেম জেনারেট করুন। এটি 초기에 নরমালি ডিস্ট্রিবিউটেড (std=1) পয়েন্ট ক্লাস্টার তৈরি করে একটি ``n_informative``-ডাইমেনশনাল হাইপারকিউবের ভার্টেক্সের চারদিকে যার সাইড দৈর্ঘ্য ``2*class_sep`` এবং প্রতিটি ক্লাসে সমান সংখ্যক ক্লাস্টার অ্যাসাইন করে।
এটি এই ফিচারগুলোর মধ্যে ইন্টারডিপেন্ডেন্স যোগ করে এবং ডেটাতে বিভিন্ন টাইপের নয়েজ যোগ করে। make_classification() মেথড ব্যবহার করুন।
train_test_split() মেথড ব্যবহার করে অ্যারে বা ম্যাট্রিক্সকে র্যান্ডম ট্রেন-টেস্টে ভাগ করুন।
দেয়া ট্রেনিং ডেটা অনুযায়ী SVM মডেল ফিট করুন, fit() মেথড ব্যবহার করে।
Receiver operating characteristic (ROC) কর্ভ প্লট করুন, plot_roc_curve() মেথড ব্যবহার করে।
ফিগার দেখানোর জন্য plt.show() মেথড ব্যবহার করুন।
উদাহরণ
import matplotlib.pyplot as plt from sklearn import datasets, metrics, model_selection, svm X, y = datasets.make_classification(random_state=0) X_train, X_test, y_train, y_test = model_selection.train_test_split(X, y, random_state=0) clf = svm.SVC(random_state=0) clf.fit(X_train, y_train) metrics.plot_roc_curve(clf, X_test, y_test) plt.show()
আউটপুট
