Tecnología analítica|Construya un modelo predictivo y dibuje la curva ROC del modelo
La estructura de este artículo es la siguiente:
El primero es la limpieza de datos y la detección del gen hub. En otras palabras, pueden omitir los datos directamente. etapas de limpieza e ingeniería de características.
1 ***10 genes clave, divididos en tres categorías, cáncer de alta malignidad (3), cáncer de baja malignidad (2) y tejido de control normal (1), las muestras son 9, 20 y 20 respectivamente. individual.
Primero, crea dos. txt para almacenar el contenido del valor de la característica y el contenido de la etiqueta de la Figura 2, características.txt y etiqueta_2.txt (por supuesto, también puede usar Panda para leer la tabla directamente, este es un hábito personal), y luego usar Python para leer el datos.
Aquí defino una función. Necesito usar la función principal para configurar what_class y elegir qué tipo de ROC dibujar.
La teoría ROC, el AUC y la curva ROC promedio micro/macro se pueden ver en esta teoría ROC. Esta sección explica brevemente los resultados del gráfico ROC de clases múltiples:
Este es un conjunto de entrenamiento directo de tres clases: la curva ROC del conjunto de prueba = 1: 1, la clase 0 representa la identificación del tejido normal. y dos tipos de tejido canceroso, clase1, clase2 representa la identificación de cáncer de bajo grado y otros dos tejidos, y clase2 representa la identificación de cáncer de alto grado y otros dos tejidos. Se puede observar que el valor AUC de la clase 2 es 1, lo que indica que el modelo establecido por el gen Hub es real.
[1] Documento oficial chino de sklearn: Máquina de vectores de soporte
[2] Características operativas del receptor (ROC)
[3] Receptor con dispositivo de validación cruzada Características operativas (ROC)