roc_curve¶

In [ ]:

roc_curve(y_true: str, 
          y_score: str,
          input_relation: (str, vDataFrame),
          pos_label: (int, float, str) = 1,
          nbins: int = 30,
          auc_roc: bool = False,
          best_threshold: bool = False,
          cutoff_curve: bool = False,
          ax=None,
          **style_kwds,)

Draws the ROC Curve.

Parameters¶

Name	Type	Optional	Description
y_true	str	❌	Response column.
y_score	str	❌	Prediction Probability.
input_relation	str / vDataFrame	❌	Relation to use to do the scoring. The relation can be a view or a table or even a customized relation. For example, you could write: "(SELECT ... FROM ...) x" as long as an alias is given at the end of the relation.
pos_label	int / float / str	✓	To compute the ROC Curve, one of the response column class has to be the positive one. The parameter 'pos_label' represents this class.
nbins	int	✓	Curve number of bins.
auc_roc	bool	✓	If set to True, the function will return the ROC AUC without drawing the curve.
best_threshold	bool	✓	If set to True, the function will return the best threshold without drawing the curve. The best threshold is the threshold of the point which is the farest from the random line.
cutoff_curve	bool	✓	If set to True, the Cutoff curve will be drawn.
ax	Matplotlib axes object	✓	The axes to plot on.
**style_kwds	any	✓	Any optional parameter to pass to the Matplotlib functions.

Returns¶

tablesample : An object containing the result. For more information, see utilities.tablesample.

Example¶

In [9]:

from verticapy import vDataFrame
vDataFrame("example_classification")

Out[9]:

	123 y_score Float	123 y_true Int	123 y_pred Int
1	0.261992636494471	0	0
2	0.271766949212011	0	0
3	0.281715565124816	0	0
4	0.287704603820825	0	0
5	0.293503745589547	0	0
6	0.294754738264003	0	0
7	0.299562949987817	1	0
8	0.302916327585091	0	0
9	0.304072718408127	0	0
10	0.305575345919111	1	0
11	0.310835669040619	0	0
12	0.310835669040619	1	0
13	0.314677498532068	1	0
14	0.314772537794701	0	0
15	0.317504850884067	0	0
16	0.321047513138065	0	0
17	0.324898318971236	0	0
18	0.327313634871091	0	0
19	0.328290953867949	0	0
20	0.329530097026026	0	0
21	0.330667481508048	0	0
22	0.331694822691007	0	0
23	0.334891289625077	0	0
24	0.339224975430521	0	0
25	0.340649411718069	0	0
26	0.340914231767138	1	0
27	0.34178321869448	0	0
28	0.342456823846109	0	0
29	0.342607538574227	0	0
30	0.343380249983169	1	0
31	0.343380249983169	1	0
32	0.345611509579921	0	0
33	0.345703353743199	0	0
34	0.346341459924855	1	0
35	0.346566377721986	0	0
36	0.34720574465618	0	0
37	0.347320286991246	0	0
38	0.347361879717578	0	0
39	0.347895646927998	0	0
40	0.350041368591872	0	0
41	0.350713668608726	0	0
42	0.351097328234269	1	0
43	0.352016830512644	0	0
44	0.352054220262656	0	0
45	0.352146855196749	0	0
46	0.352239501254866	0	0
47	0.353175137762404	0	0
48	0.3539395916197	1	0
49	0.353996333596281	1	0
50	0.354381624264835	0	0
51	0.354381624264835	0	0
52	0.355342565735203	0	0
53	0.357132185344874	0	0
54	0.357455496335166	0	0
55	0.357679708354009	0	0
56	0.358738033924215	0	0
57	0.359210075590932	0	0
58	0.359566016764265	0	0
59	0.359641574716634	0	0
60	0.36060286105325	0	0
61	0.36060286105325	0	0
62	0.36101075208364	0	0
63	0.362255481975375	0	0
64	0.363178572038573	0	0
65	0.363600418603227	0	0
66	0.364693844779539	0	0
67	0.364907992756202	0	0
68	0.365288848686146	0	0
69	0.367100035711998	0	0
70	0.367262588765524	0	0
71	0.367427213035335	0	0
72	0.368048294763488	0	0
73	0.369225730045058	0	0
74	0.369797716658633	0	0
75	0.370553858267955	0	0
76	0.370553858267955	1	0
77	0.370753825925793	0	0
78	0.37140040117994	1	0
79	0.37207963832586	0	0
80	0.37272228535973	1	0
81	0.37279074038996	0	0
82	0.37337254481298	0	0
83	0.373809604665009	0	0
84	0.373973373195992	1	0
85	0.373973437248784	0	0
86	0.374595381587019	1	0
87	0.376588338299031	0	0
88	0.376653483221958	0	0
89	0.377288922205616	0	0
90	0.378217229733463	0	0
91	0.378825744070643	0	0
92	0.378825744070643	0	0
93	0.378825744070643	1	0
94	0.378825744070643	1	0
95	0.37911132124581	0	0
96	0.380187437748189	0	0
97	0.38033983811501	0	0
98	0.380568066078983	0	0
99	0.380732995250046	0	0
100	0.380876617505906	0	0

Rows: 1-100 | Columns: 3

In [11]:

from verticapy.learn.model_selection import roc_curve
roc_curve("y_true", "y_score", "example_classification")

Out[11]:

	threshold	false_positive	true_positive
1	0.0	1.0	1.0
2	0.0333333333333333	1.0	1.0
3	0.0666666666666667	1.0	1.0
4	0.1	1.0	1.0
5	0.133333333333333	1.0	1.0
6	0.166666666666667	1.0	1.0
7	0.2	1.0	1.0
8	0.233333333333333	1.0	1.0
9	0.266666666666667	0.998347107438017	1.0
10	0.3	0.990082644628099	0.997442455242967
11	0.333333333333333	0.970247933884298	0.989769820971867
12	0.366666666666667	0.905785123966942	0.971867007672634
13	0.4	0.760330578512397	0.907928388746803
14	0.433333333333333	0.484297520661157	0.723785166240409
15	0.466666666666667	0.264462809917355	0.578005115089514
16	0.5	0.2	0.50383631713555
17	0.533333333333333	0.158677685950413	0.432225063938619
18	0.566666666666667	0.115702479338843	0.347826086956522
19	0.6	0.0909090909090909	0.273657289002558
20	0.633333333333333	0.0694214876033058	0.232736572890026
21	0.666666666666667	0.056198347107438	0.191815856777494
22	0.7	0.0347107438016529	0.166240409207161
23	0.733333333333333	0.0330578512396694	0.148337595907928
24	0.766666666666667	0.031404958677686	0.132992327365729
25	0.8	0.028099173553719	0.107416879795396
26	0.833333333333333	0.028099173553719	0.0869565217391304
27	0.866666666666667	0.0198347107438017	0.0767263427109974
28	0.9	0.0181818181818182	0.0664961636828645
29	0.933333333333333	0.0115702479338843	0.0562659846547315
30	0.966666666666667	0.00330578512396694	0.0255754475703325
31	1.0	0.0	0.0

Rows: 1-31 | Columns: 3

In [12]:

roc_curve("y_true", 
          "y_score", 
          "example_classification", 
          cutoff_curve = True)

Out[12]:

	threshold	false_positive	true_positive
1	0.0	1.0	1.0
2	0.0333333333333333	1.0	1.0
3	0.0666666666666667	1.0	1.0
4	0.1	1.0	1.0
5	0.133333333333333	1.0	1.0
6	0.166666666666667	1.0	1.0
7	0.2	1.0	1.0
8	0.233333333333333	1.0	1.0
9	0.266666666666667	0.998347107438017	1.0
10	0.3	0.990082644628099	0.997442455242967
11	0.333333333333333	0.970247933884298	0.989769820971867
12	0.366666666666667	0.905785123966942	0.971867007672634
13	0.4	0.760330578512397	0.907928388746803
14	0.433333333333333	0.484297520661157	0.723785166240409
15	0.466666666666667	0.264462809917355	0.578005115089514
16	0.5	0.2	0.50383631713555
17	0.533333333333333	0.158677685950413	0.432225063938619
18	0.566666666666667	0.115702479338843	0.347826086956522
19	0.6	0.0909090909090909	0.273657289002558
20	0.633333333333333	0.0694214876033058	0.232736572890026
21	0.666666666666667	0.056198347107438	0.191815856777494
22	0.7	0.0347107438016529	0.166240409207161
23	0.733333333333333	0.0330578512396694	0.148337595907928
24	0.766666666666667	0.031404958677686	0.132992327365729
25	0.8	0.028099173553719	0.107416879795396
26	0.833333333333333	0.028099173553719	0.0869565217391304
27	0.866666666666667	0.0198347107438017	0.0767263427109974
28	0.9	0.0181818181818182	0.0664961636828645
29	0.933333333333333	0.0115702479338843	0.0562659846547315
30	0.966666666666667	0.00330578512396694	0.0255754475703325
31	1.0	0.0	0.0

Rows: 1-31 | Columns: 3

In [8]:

# Best Cutoff
roc_curve("y_true",
          "y_score", 
          "example_classification", 
          best_threshold = True)

Out[8]:

0.466666666666667