如何在不使用 scikit-learn 的情况下绘制 ROC-AUC 图形答案

【问题标题】：How to plot ROC-AUC figures without using scikit-learn如何在不使用 scikit-learn 的情况下绘制 ROC-AUC 图形
【发布时间】：2022-05-03 14:46:34
【问题描述】：

我有以下列表，其中包含 (TP, FP, FN) 的多个元组：

[(12, 0, 0), (5, 2, 2), (10, 0, 1), (7, 1, 1), (13, 0, 0), (7, 2, 2), (11, 0, 2)]

每个元组代表单个图像的分数。这意味着我有 7 张图像，并且我已经计算了对象检测任务的分数。现在我使用以下函数计算每个图像（元组）的精度和召回率：

def calculate_recall_precision(data):
    precisions_bundle = []
    recalls_bundle = []

    for tp, fp, fn in data:
        precision = tp / (tp + fp)
        recall = tp / (tp + fn)
        precisions_bundle.append(precision)
        recalls_bundle.append(recall)

    return (precisions_bundle, recalls_bundle)

此函数返回一个包含两个列表的元组。第一个是每个图像的精度值，第二个是每个图像的召回值。现在我的主要目标是仅使用 matplotlib 绘制 ROC 和 AUC 曲线。请注意，我不想使用 scikit-learn 库。

【问题讨论】：

标签： object-detection roc auc

【解决方案1】：

您可以简单地使用matplotlib.pyplot.plot 方法。例如：

import numpy as np
import matplotlib.pyplot as plt

def plot_PR(precision_bundle, recall_bundle, save_path:Path=None):
    line = plt.plot(recall_bundle, precision_bundle, linewidth=2, markersize=6)
    line = plt.title('Precision/Recall curve', size =18, weight='bold')
    line = plt.ylabel('Precision', size=15)
    line = plt.xlabel('Recall', size=15 )
    
    random_classifier_line_x = np.linspace(0, 1, 10)
    random_classifier_line_y = np.linspace(1, 0, 10)
    _ = plt.plot(random_classifier_line_x, random_classifier_line_y, color='firebrick', linestyle='--')
    if save_path:
        outname = save_path / 'PR_curve_thresh_opt.png'
        _ = plt.savefig(outname, dpi = 100, bbox_inches='tight' )
    return line

然后将其用作plot_PR(precision_bundle, recall_bundle)。

注意：这里我还为随机分类器添加了一条虚线，并且可以保存图形以备不时之需

【讨论】：