Как нарисовать кривую точности-отзыва с интерполяцией в Python?

Я нарисовал кривую точности-отзыва, используя sklearn precision_recall_curvefunction и matplotlib package. Те из вас, кто знаком с кривой точности-отзыва, знают, что некоторые научные сообщества принимают ее только тогда, когда она интерполируется, как в этом примере здесь. Теперь мой вопрос: знает ли кто-нибудь из вас, как выполнять интерполяцию в Python? Некоторое время я искал решение, но безуспешно! Любая помощь будет принята с благодарностью.

Решение. Оба решения от @francis и @ali_m верны и вместе решили мою проблему. Итак, предполагая, что вы получаете результат от функции precision_recall_curve в sklearn, вот что я сделал для построения графика:

precision["micro"], recall["micro"], _ = precision_recall_curve(y_test.ravel(),scores.ravel())
pr = copy.deepcopy(precision[0])
rec = copy.deepcopy(recall[0])
prInv = np.fliplr([pr])[0]
recInv = np.fliplr([rec])[0]
j = rec.shape[0]-2
while j>=0:
    if prInv[j+1]>prInv[j]:
        prInv[j]=prInv[j+1]
    j=j-1
decreasing_max_precision = np.maximum.accumulate(prInv[::-1])[::-1]
plt.plot(recInv, decreasing_max_precision, marker= markers[mcounter], label=methodNames[countOfMethods]+': AUC={0:0.2f}'.format(average_precision[0]))

И эти строки построят интерполированные кривые, если вы поместите их в цикл for и передадите ему данные каждого метода на каждой итерации. Обратите внимание, что при этом не будут построены неинтерполированные кривые прецизионного возврата.


python numpy matplotlib scikit-learn precision-recall
person user823743    schedule 03.10.2016    source источник
comment
Пожалуйста, не предлагайте решение вопроса. Напишите на это ответ, если считаете, что этой информацией следует поделиться.   -  person Cindy Meister    schedule 26.03.2020

Ответы (2)


arrow_upward
4
arrow_downward

Для удаления возрастающих частей в precision может быть выполнена итерация в обратном направлении. Затем можно построить вертикальные и горизонтальные линии, как указано в ответе Беннета Брауна на вертикальные и горизонтальные линии в matplotlib.

Вот пример кода:

import numpy as np
import matplotlib.pyplot as plt

#just a dummy sample
recall=np.linspace(0.0,1.0,num=42)
precision=np.random.rand(42)*(1.-recall)
precision2=precision.copy()
i=recall.shape[0]-2

# interpolation...
while i>=0:
    if precision[i+1]>precision[i]:
        precision[i]=precision[i+1]
    i=i-1

# plotting...
fig, ax = plt.subplots()
for i in range(recall.shape[0]-1):
    ax.plot((recall[i],recall[i]),(precision[i],precision[i+1]),'k-',label='',color='red') #vertical
    ax.plot((recall[i],recall[i+1]),(precision[i+1],precision[i+1]),'k-',label='',color='red') #horizontal

ax.plot(recall,precision2,'k--',color='blue')
#ax.legend()
ax.set_xlabel("recall")
ax.set_ylabel("precision")
plt.savefig('fig.jpg')
fig.show()

И вот результат:

введите описание изображения здесь

person francis    schedule 03.10.2016
comment
Спасибо за ответ. Я также написал решение, адаптированное к выводу precision_recall_curve в sklearn. - person user823743; 07.10.2016

arrow_upward
10
arrow_downward

Решение @ francis можно векторизовать с помощью np.maximum.accumulate.

import numpy as np
import matplotlib.pyplot as plt

recall = np.linspace(0.0, 1.0, num=42)
precision = np.random.rand(42)*(1.-recall)

# take a running maximum over the reversed vector of precision values, reverse the
# result to match the order of the recall vector
decreasing_max_precision = np.maximum.accumulate(precision[::-1])[::-1]

Вы также можете использовать plt.step, чтобы избавиться от цикла for, используемого для построения графика. :

fig, ax = plt.subplots(1, 1)
ax.hold(True)
ax.plot(recall, precision, '--b')
ax.step(recall, decreasing_max_precision, '-r')

введите описание изображения здесь

person ali_m    schedule 04.10.2016
comment
Ваше решение помогло мне адаптировать код @ francis к выходным данным функции precision_recall_curve. Я написал решение. +1, спасибо. - person user823743; 07.10.2016