数据分析之图算法: 基于Spark和Neo4j

176

｜

第

8

章

可以用以下函数绘制

ROC

曲线（正例与假正例的相关性）：

def

create_roc_plot():

plt.style.use('classic')

fig = plt.figure(figsize=(13, 8))

plt.xlim([0, 1])

plt.ylim([0, 1])

plt.ylabel('True Positive Rate')

plt.xlabel('False Positive Rate')

plt.rc('axes', prop_cycle=(cycler('color',

['r', 'g', 'b', 'c', 'm', 'y', 'k'])))

plt.plot([0, 1], [0, 1], linestyle='--', label='Random score

(AUC = 0.50)')

return

plt, fig

def

add_curve(plt, title, fpr, tpr, roc):

plt.plot(fpr, tpr, label=f"{title} (AUC = {roc:0.2})")

可按如下方式调用该函数：

plt, fig = create_roc_plot()

add_curve(plt, "Common Authors",

basic_results["fpr"], basic_results["tpr"], basic_results["roc_auc"]) ...