绘制K折交叉验证的ROC曲线

Question

我正在处理不平衡的数据集。在应用 ML 模型之前，我将数据集分为测试集和训练集，然后应用 SMOTE 算法来平衡数据集。我想应用交叉验证并绘制每个折叠的 ROC 曲线，显示每个折叠的 AUC，并在图中显示 AUC 的平均值。我将重采样的训练集变量命名为 X_train_res 和 y_train_res，以下是代码：

cv = StratifiedKFold(n_splits=10)
classifier = SVC(kernel='sigmoid',probability=True,random_state=0)

tprs = []
aucs = []
mean_fpr = np.linspace(0, 1, 100)
plt.figure(figsize=(10,10))
i = 0
for train, test in cv.split(X_train_res, y_train_res):
    probas_ = classifier.fit(X_train_res[train], y_train_res[train]).predict_proba(X_train_res[test])
    # Compute ROC curve and area the curve
    fpr, tpr, thresholds = roc_curve(y_train_res[test], probas_[:, 1])
    tprs.append(interp(mean_fpr, fpr, tpr))
    tprs[-1][0] = 0.0
    roc_auc = auc(fpr, tpr)
    aucs.append(roc_auc)
    plt.plot(fpr, tpr, lw=1, alpha=0.3,
             label='ROC fold %d (AUC = %0.2f)' % (i, roc_auc))

    i += 1
plt.plot([0, 1], [0, 1], linestyle='--', lw=2, color='r',
         label='Chance', alpha=.8)

mean_tpr = np.mean(tprs, axis=0)
mean_tpr[-1] = 1.0
mean_auc = auc(mean_fpr, mean_tpr)
std_auc = np.std(aucs)
plt.plot(mean_fpr, mean_tpr, color='b',
         label=r'Mean ROC (AUC = %0.2f $\pm$ %0.2f)' % (mean_auc, std_auc),
         lw=2, alpha=.8)

std_tpr = np.std(tprs, axis=0)
tprs_upper = np.minimum(mean_tpr + std_tpr, 1)
tprs_lower = np.maximum(mean_tpr - std_tpr, 0)
plt.fill_between(mean_fpr, tprs_lower, tprs_upper, color='grey', alpha=.2,
                 label=r'$\pm$ 1 std. dev.')

plt.xlim([-0.01, 1.01])
plt.ylim([-0.01, 1.01])
plt.xlabel('False Positive Rate',fontsize=18)
plt.ylabel('True Positive Rate',fontsize=18)
plt.title('Cross-Validation ROC of SVM',fontsize=18)
plt.legend(loc="lower right", prop={'size': 15})
plt.show()

以下是输出：

请告诉我绘制交叉验证的 ROC 曲线的代码是否正确。

Answer 1

问题是我不太了解交叉验证。在for循环范围内，我已经通过了X和y变量的训练集。交叉验证是这样工作的吗？

将 SMOTE 和不平衡问题放在一边，这些问题未包含在您的代码中，您的过程看起来是正确的。

更详细地说，对于您的每一个

n_splits=10

：

• 您创建

  train

  和

  test

  折叠

• 您使用

  train

  折叠来拟合模型：

  classifier.fit(X_train_res[train], y_train_res[train])
  

• 然后使用

  test

  折叠来预测概率：

  predict_proba(X_train_res[test])
  

这正是交叉验证背后的想法。

因此，由于您有

n_splits=10

，您将获得 10 条 ROC 曲线和各自的 AUC 值（及其平均值），与预期完全一致。

但是：

由于类别不平衡而需要（SMOTE）上采样改变了正确的程序，并使您的整个过程变得不正确：您不应该对初始数据集进行上采样；相反，您需要将上采样过程合并到 CV 过程中。

因此，对于您的每一个

n_splits

，这里的正确程序变为（请注意，从分层简历分割开始，正如您所做的那样，在类别不平衡的情况下变得至关重要）：

创建
• train

  和

  test

  折叠

使用 SMOTE
• 对

  train

  折叠进行上采样
• 使用上采样的

  train

  折叠来拟合模型
• 使用

  test

  折叠预测概率（未上采样）

有关基本原理的详细信息，请参阅数据科学 SE 线程中自己的答案为什么在交叉验证之前不应该进行上采样。