利用鸢尾花数据集画出P-R曲线 python

#coding=utf-8
"""
#演示目的：利用鸢尾花数据集画出P-R曲线
"""
print(__doc__)

import matplotlib.pyplot as plt
import numpy as np
from sklearn import svm, datasets
from sklearn.metrics import precision_recall_curve
from sklearn.metrics import average_precision_score
from sklearn.preprocessing import label_binarize
from sklearn.multiclass import OneVsRestClassifier

#from sklearn.cross_validation import train_test_split #适用于anaconda 3.6及以前版本
from sklearn.model_selection import train_test_split#适用于anaconda 3.7

#以iris数据为例，画出P-R曲线
iris = datasets.load_iris()
X = iris.data
y = iris.target

# 标签二值化,将三个类转为001, 010, 100的格式.因为这是个多类分类问题，后面将要采用
#OneVsRestClassifier策略转为二类分类问题
y = label_binarize(y, classes=[0, 1, 2])
n_classes = y.shape[1]
print (y)

# -*- coding: utf-8 -*-
“““
Created on Wed Mar 18 10:36:21 2020

@author: Administrator
“““

#coding=utf-8
“““
#演示目的：利用鸢尾花数据集画出P-R曲线
“““
print（__doc__）
 
import matplotlib.pyplot as plt
import numpy as np
from sklearn import svm datasets
from sklearn.metrics import precision_recall_curve
from sklearn.metrics import average_precision_score
from sklearn.preprocessing import label_binarize
from sklearn.multiclass import OneVsRestClassifier
 
#from sklearn.cross_validation import train_test_split  #适用于anaconda 3.6及以前版本
from sklearn.model_selection import train_test_split#适用于anaconda 3.7
 
#以iris数据为例，画出P-R曲线
iris = datasets.load_iris（）
X = iris.data
y = iris.target
 
# 标签二值化将三个类转为001 010 100的格式.因为这是个多类分类问题，后面将要采用
#OneVsRestClassifier策略转为二类分类问题
y = label_binarize（y classes=[0 1 2]）
n_classes = y.shape[1]
print （y）
 
# 增加了800维的噪声特征
random_state = np.random.RandomState（0）
n_samples n_features = X.shape
 
X = np.c_[X random_state.randn（n_samples 200 * n_features）]
 
# Split into training and test
X_train X_test y_train y_test = train_test_split（X y test_size=.5 random_state=random_state） #随机数，填0或不填，每次都会不一样
 
# Run classifier probability : boolean optional （default=False）Whether to enable probability estimates. This must be enabled prior to calling fit and will slow down that method.
classifier = OneVsRestClassifier（svm.SVC（kernel=‘linear‘ probability=True random_state=random_state））
y_score = classifier.fit（X_train y_train）.decision_function（X_test）
 
# Compute P