绘制阈值(precision_recall曲线) matplotlib/sklearn.metrics

Question

我正在尝试绘制我的查准率/召回率曲线的阈值。我只是使用了MNSIT的数据，示例来自于“使用scikit学习机器学习-学习，keras和TensorFlow”这本书。尝试训练模型来检测5的图像。我不知道你需要看到多少代码。我已经为训练集建立了混淆矩阵，并计算了精确度和召回值，以及阈值。我已经绘制了pre/rec曲线，书中的示例说明要添加轴标签、ledged、网格和高亮显示阈值，但在书中我在下面放置了一个星号的代码被删掉了。除了如何将阈值显示在图中之外，我能够计算出所有的阈值。我已经在书中添加了一张图表与我所拥有的图表的图片。这就是这本书所展示的：

​

vs我的图表：

​

​

我不能让有两个阈值的红色点线出现。有人知道我会怎么做吗？下面是我的代码：

from sklearn.metrics import precision_recall_curve

precisions, recalls, thresholds = precision_recall_curve(y_train_5, y_scores)

def plot_precision_recall_vs_thresholds(precisions, recalls, thresholds):
    plt.plot(thresholds, precisions[:-1], "b--", label="Precision")
    plt.plot(thresholds, recalls[:-1], "g--", label="Recall")
    plt.xlabel("Threshold")
    plt.legend(bbox_to_anchor=(1.05, 1), loc='upper left', borderaxespad=0.)
    plt.grid(b=True, which="both", axis="both", color='gray', linestyle='-', linewidth=1)

plot_precision_recall_vs_thresholds(precisions, recalls, thresholds)
plt.show()

我知道这里有相当多关于sklearn的问题，但似乎没有人能覆盖到红线的出现。我将非常感谢你的帮助！

Answer 1

可以使用以下代码绘制水平线和垂直线：

plt.axhline(y_value, c='r', ls=':')
plt.axvline(x_value, c='r', ls=':')

Answer 2

这应该以正确的方式工作：

def plot_precision_recall_vs_threshold(precisions, recalls, thresholds):
    recall_80_precision = recalls[np.argmax(precisions >= 0.80)]
    threshold_80_precision = thresholds[np.argmax(precisions >= 0.80)]
    
    plt.plot(thresholds, precisions[:-1], "b--", label="Precision", linewidth=2)
    plt.plot(thresholds, recalls[:-1], "g-", label="Recall", linewidth=2)
    plt.xlabel("Threshold")
    plt.plot([threshold_80_precision, threshold_80_precision], [0., 0.8], "r:")
    plt.axis([-4, 4, 0, 1])
    plt.plot([-4, threshold_80_precision], [0.8, 0.8], "r:")
    plt.plot([-4, threshold_80_precision], [recall_80_precision, recall_80_precision], "r:")
    plt.plot([threshold_80_precision], [0.8], "ro") 
    plt.plot([threshold_80_precision], [recall_80_precision], "ro")
    plt.grid(True)
    plt.legend()
    plt.show()

我在尝试复制本书中的代码时遇到了这段代码。原来@ageron把所有的资源都放在了他的github页面上。你可以在here上查看