科研代码分享|python构建SVM分类器并绘制ROC曲线

科研有捷径，输入代码，一键获取科研成果！就是这么省事，来具体看下有多方便！

搜索http://985.so/a9kb查看全部代码（目前共计50+持续新增中），也可以点击右侧【目录】，可以看到更多有趣的代码

真香提示：文末可以知道如何获取代码~   

在高通量数据分析过程中，数据挖掘已成为一种切实有效的分析方法，能够帮助我们在海量数据中挖掘出其内在关联和显著的特征，因此在医疗，生物，物理，经济等多个领域都有着广泛应用。

支持向量机SVM是一种快速高效的分类器方法，在使用SVM分类器对数据进行分类预测时，我们需要做两个重要的准备工作，第一是特征选择，第二是参数优化：

1、特征选择是指从海量特征中筛选出最显著的，对于分类贡献最大的特征，去除冗余和重复的特征，从而达到降维和增加预测精度的目的，一般特征选择的方法有        recursive feature elimination，逻辑回归，差异检验等。

2、参数优化是指在分类过程中，由于技术偏见，不可避免存在假阳性和假阴性，因此需要对惩罚参数C，以及sigma进行优化，一般的优化方法如方格暴力优化，退火算法，遗传算法，贪婪算法等。然而在这一系列优化筛选过后，最重要的是通过一个测度标准来评价预测结果的好坏。

这里我们介绍一种通过python语言实现的ROC曲线绘制方法，结合交叉验证，同时计算曲线下面积AUC值。

首先导入数据为数据矩阵，如下表所示：

这里特征选择的过程我们采用recursive feature elimination(RFE)的方法，参数优化采用python自带的grid.py暴力搜索模式，最终获得预测结果。

上图为利用SVM分类器通过五倍交叉验证绘制ROC曲线的结果。横轴代表假阳性率，纵轴代表真阳性率，五倍交叉验证中将数据集分成五份，以四份做训练，对剩下的一份做预测，此过程重复五次，直至所有的数据都在预测集中被预测，且只被预测一次。并统计五次预测的精度，分别用不同颜色曲线表示，同时计算对应的AUC值（即ROC曲线下面积area值），最终为了从整体上评价SVM分类器的预测效能，我们综合五次验证的结果，取平均值，并通过mean ROC(图中黑色续写)表示。如图所示，最后平均预测AUC值为0.92，说明我们这个模型预测精度很高，且五次预测结果最低0.87，最高0.97，也证明了这个模型的稳健性。

Python实现绘制ROC曲线的代码如下：

抱歉，B站复制长代码，乱码了，上传不了，请扫码查看原文中的代码！