Tracer courbe ROC en utilisant scikit-learn pour la reconnaissance faciale en utilisant des jeux de données d'image provoque une erreur. (Fetch_olivetti_faces)

Question

Je suis assez nouveau pour se pencher en machine. Toute aide serait appréciée. Je veux tracer des graphiques pour montrer la précision des algorithmes (LDA, SVM) et le taux d'erreur. Et comparer l'algorithme qui est le meilleur parmi les 2. La précision retournée par l'exécution du programme python dans le terminal n'est pas considérée comme une bonne preuve.

Graphiques tracés à l'aide d'une matrice de confusion pour montrer la précision et le taux d'erreur. Je crois que le graphe de traçage utilisant ROC est pour classifier binaire() et peut-il aussi être utilisé pour l'ensemble de données d'image utilisant des algorithmes de LDA et de SVM.

J'ai tracé le graphique cross_val_predict pour visualiser les erreurs de prédiction.

Y at-il une représentation graphique qui peut faire mieux que mentionné ci-dessus ou j'ai manqué.

Answer 1

Habituellement je tracer la courbe ROC comme ceci:

predictions_prob = your_model.predict_proba(x_test) 
false_positive_rate, recall, thresholds = roc_curve(y_test, predictions_prob[:,1]) 
roc_auc = auc(false_positive_rate, recall) 
plt.plot(false_positive_rate, recall, 'g', label = 'AUC %s = %0.2f' % ('model name', roc_auc)) 
plt.plot([0,1], [0,1], 'r--') 
plt.legend(loc = 'lower right') 
plt.ylabel('Recall') 
plt.xlabel('Fall-out') 
plt.title('ROC Curve')