程序的实现
前面讲课那么多指标，其实在Python里面可以利用sklearn这个插件快速的画出这些指标和算法。利用这个工具之前当然需要下载安装这个插件。
>pip3 install sklearn
下面来讲解一下这个代码。
代码语言：javascript复制
# coding=UTF-8
from sklearn import metrics
from sklearn.metrics import confusion_matrix
from sklearn.metrics import accuracy_score
from sklearn.metrics import precision_score
from sklearn.metrics import recall_score
from sklearn.metrics import f1_score
import matplotlib.pylab as plt
import numpy as np
import matplotlib
import matplotlib.pyplot as plt
from sklearn.metrics import precision_recall_curve
#真实值
GTlist = [1,1,0,1,1,0,1,0,0,1]
#模型预测值
Problist = [1,0,1,1,1,1,1,1,0,1]
y_true = np.array(GTlist)
y_pred = np.array(Problist)
#混淆矩阵
confusion_matrix = confusion_matrix(y_true, y_pred)
print("混淆矩阵:")
print(confusion_matrix)
#准确性
accuracy = '{:.1%}'.format(accuracy_score(y_true, y_pred))
print("准确性:",end='')
print(accuracy)
#精确性
precision = '{:.1%}'.format(precision_score(y_true, y_pred))
print("精确性:",end='')
print(precision)
#召回率
recall = '{:.1%}'.format(recall_score(y_true, y_pred))
print("召回率:",end='')
print(recall)
#F1值
f1score = '{:.1%}'.format(f1_score(y_true, y_pred))
print("F1值:",end='')
print(f1score)
#初始化画图数据
#真实值
GTlist = [1.0, 1.0, 0.0, 1.0, 0.0, 1.0, 0.0, 1.0, 0.0, 1.0,0.0, 1.0, 0.0, 0.0, 1.0, 0.0, 0.0, 0.0, 0.0, 0.0]
#模型预测值
Problist = [0.99, 0.98, 0.97, 0.93, 0.85, 0.80, 0.79, 0.75, 0.70, 0.65,0.64, 0.63, 0.55, 0.54, 0.51, 0.49, 0.30, 0.2, 0.1, 0.09]
fpr, tpr, thresholds = metrics.roc_curve(GTlist, Problist, pos_label=1)
roc_auc = metrics.auc(fpr, tpr) #auc为Roc曲线下的面积
print("AUC值:",end='')
print('{:.1%}'.format(roc_auc))
#ROC曲线
plt.plot(fpr, tpr, 'b',label='AUC = %0.2f'% roc_auc)
plt.legend(loc='lower right')
# plt.plot([0, 1], [0, 1], 'r--')
plt.xlim([-0.1, 1.1])
plt.ylim([-0.1, 1.1])
plt.xlabel('False Positive Rate') #横坐标是fpr
plt.ylabel('True Positive Rate') #纵坐标是tpr
plt.title('Receiver operating characteristic example')
plt.show()
#P-R曲线
plt.figure("P-R Curve")
plt.title('Precision/Recall Curve')
plt.xlabel('Recall')
plt.ylabel('Precision')
#y_true为样本实际的类别，y_scores为样本为正例的概率
y_true = np.array(GTlist)
y_scores = np.array(Problist)
precision, recall, thresholds = precision_recall_curve(y_true, y_scores)
plt.plot(recall,precision)
plt.show()
真实值GTlist =[1,1,0,1,1,0,1,0,0,1]
模型预测值Problist= [1,0,1,1,1,1,1,1,0,1]
现在有10位病人来看病，其中3号、6号、8号和9号病人是没有疾病的（绿色），其他剩余6位有疾病（红色）。
编号 | 1 | 2 | 3 | 4 | 5 | 6 | 7 | 8 | 9 | 10 |
|---|---|---|---|---|---|---|---|---|---|---|
实际 | 1 | 1 | 0 | 1 | 1 | 0 | 1 | 0 | 0 | 1 |
检查 | 1 | 0 | 1 | 1 | 1 | 1 | 1 | 1 | 0 | 1 |
1号、4号、5号、7号和10号病人被查出来（真阳性，红色）；2号病人没有被查出来（漏诊，橙色）；3号、6号和8号被误诊（误诊，蓝色），另外9号（真隐性，绿色），通过运行这段代码，得到如下结果：
混淆矩阵:
[[1 3]
[1 5]]
准确性:60.0%
精确性:62.5%
召回率:83.3%
F1值:71.4%
我们来验证一下，真阳性：5、真阴性：1、假阳性：3、假阴性：1，所以混淆矩阵为：
预测 | |||
|---|---|---|---|
假 | 真 | ||
实际 | 假 | 1 | 3 |
真 | 1 | 5 | |
由此，可以看出算出来的矩阵与正式的矩阵的对应关系。假在前，真在后，一行代表实际中的实际中的一行。
准确性：（1 5）/10=60%
精确性：5/8=62.5%
召回率：5/6=83.3%
F1 Score=62.5%×83.3%×2/（62.5% 83.3%）=1.04125/1.458=71%
可见这些值都是正确的。接下来再看下面的数据。
#真实值
GTlist = [1.0, 1.0, 0.0, 1.0, 0.0, 1.0, 0.0,1.0, 0.0, 1.0,0.0, 1.0, 0.0, 0.0, 1.0, 0.0, 0.0, 0.0, 0.0, 0.0]
#模型预测值
Problist = [0.99, 0.98, 0.97, 0.93, 0.85,0.80, 0.79, 0.75, 0.70, 0.65,0.64, 0.63, 0.55, 0.54, 0.51, 0.49, 0.30, 0.2,0.1, 0.09]
GTlist表示真实样本，1.0代表真样本，0.0代表假样本；
Problist表示预测样本，每个值表示预测到对应真实样本为真的概率。比如第一个0.99表示预测第一个正样本的概率为99%，第三个0.97表示预测第三个假样本的概率为97%。通过运行我们得到如下曲线图。
我们考察A(0,0)、B(1,1)、C(0,1)、D(1,0)四个点：
- A(0,0)：表示真阳率与假阳率均为0，表示什么都没有测试到；
- B(1,1)：表示真阳率与假阳率均为100%；
- C(0,1)：真阳率为100%，假阳率均为0，测试到的全是真的；
- D(1,0)：真阳率为0，假阳率均为100%，测试到的全是假的。
由此可见C点的情况最高，所以曲线越靠近左上角说明算法最好。
另外，上面代码也会给出了化P-R图的方法，对于ROC曲线，采用同一个测试数据，画出来的图如下显示。
软件安全测试
https://study.163.com/course/courseMain.htm?courseId=1209779852&share=2&shareId=480000002205486
接口自动化测试
https://study.163.com/course/courseMain.htm?courseId=1209794815&share=2&shareId=480000002205486
DevOps 和Jenkins之DevOps
https://study.163.com/course/courseMain.htm?courseId=1209817844&share=2&shareId=480000002205486
DevOps与Jenkins 2.0之Jenkins
https://study.163.com/course/courseMain.htm?courseId=1209819843&share=2&shareId=480000002205486
Selenium自动化测试
https://study.163.com/course/courseMain.htm?courseId=1209835807&share=2&shareId=480000002205486
性能测试第1季:性能测试基础知识
https://study.163.com/course/courseMain.htm?courseId=1209852815&share=2&shareId=480000002205486
性能测试第2季:LoadRunner12使用
https://study.163.com/course/courseMain.htm?courseId=1209980013&share=2&shareId=480000002205486
性能测试第3季:JMeter工具使用
https://study.163.com/course/courseMain.htm?courseId=1209903814&share=2&shareId=480000002205486
性能测试第4季:监控与调优
https://study.163.com/course/courseMain.htm?courseId=1209959801&share=2&shareId=480000002205486
Django入门
https://study.163.com/course/courseMain.htm?courseId=1210020806&share=2&shareId=480000002205486
啄木鸟顾老师漫谈软件测试
https://study.163.com/course/courseMain.htm?courseId=1209958326&share=2&shareId=480000002205486
