
5
장
모델 평가와 성능 향상
377
율입니다.
FPR
=
FP
FP
+
TN
ROC
곡선은
roc
_
curve
함수를 사용하여 만들 수 있습니다 (그림
5
-
15
).
In [65]:
from sklearn.metrics import roc_curve
fpr, tpr, thresholds = roc_curve(y_test, svc.decision_function(X_test))
plt.plot(fpr, tpr, label="ROC 곡선")
plt.xlabel("FPR")
plt.ylabel("TPR (재현율)")
# 0 근처의 임계값을 찾습니다.
close_zero = np.argmin(np.abs(thresholds))
plt.plot(fpr[close_zero], tpr[close_zero], 'o', markersize=10,
label="임계값 0", llstyle="none", c='k', mew=2)
plt.legend(loc=4)
그림
5-15
SVM
의
ROC
곡선
ROC
곡선은 왼쪽 위에 가까울수록 이상적입니다. 거짓 양성 비율 (
FPR
)이 낮게 유지되면서
재현율이 높은 분류기가 좋은 것입니다. 기본 임계값
0
의 지점과 비교했을 때,
FPR
을 조금 늘