# -*- coding: utf-8 -*-

import pandas as pd

from sklearn.ensemble import RandomForestClassifier

from sklearn import metrics

import matplotlib.pyplot as plt

"""

函数说明：文件处理

Parameters:

filename:数据文件

Returns:

list_datasets：数据集特征列表

category_labels:数据标签列表

"""

def data_handle(filename):

read_data = pd.read_csv(filename)

list_datasets = []

category_labels = []

for i in range(len(read_data)):

list_data = []

for j in range(len(read_data.iloc[i, :]) - 1):

row_data = read_data.iloc[i, j] # 读取每个样本的每个数据

list_data.append(row_data) #将每个数据存入列表

list_datasets.append(list_data) #将每个样本的数据存入列表

row_data_label = read_data.iloc[i, len(read_data.iloc[i, :]) - 1] # 读取每个样本的类别标签

if row_data_label == 'N':

category_labels.append(0) # 将二分类标签转化为0和1,0代表软件正常，1代表软件缺陷

else:

category_labels.append(1)

return list_datasets, category_labels

"""

函数说明：绘制ROC曲线

Parameters:

labels:测试标签列表

predict_prob:预测标签列表

"""

def plot_roc(labels, predict_prob):

false_positive_rate, true_positive_rate, thresholds = metrics.roc_curve(labels, predict_prob)

roc_auc = metrics.auc(false_positive_rate, true_positive_rate) #计算AUC值

print('AUC=' + str(roc_auc))

plt.title('PC5-ROC')

plt.plot(false_positive_rate, true_positive_rate, 'b', label='AUC = %0.4f' % roc_auc)

plt.legend(loc='lower right')

plt.plot([0, 1], [0, 1], 'r--')

plt.ylabel('TPR')

plt.xlabel('FPR')

# plt.savefig('figures/PC5.png') #将ROC图片进行保存

plt.show()

if __name__ == '__main__':

datasets, labels = data_handle('MDP/KC4.csv') # 对数据集进行处理

# 训练集和测试集划分

X_train = datasets[:115]

y_train = labels[:115]

X_test = datasets[90:]

y_test = labels[90:]

# 随机森林分类器

clf = RandomForestClassifier()

clf = RandomForestClassifier(n_estimators=200, random_state=0)

clf.fit(X_train, y_train) # 使用训练集对分类器训练

y_predict = clf.predict(X_test) # 使用分类器对测试集进行预测

print('准确率:', metrics.accuracy_score(y_test, y_predict)) #预测准确率输出

print('宏平均精确率:',metrics.precision_score(y_test,y_predict,average='macro')) #预测宏平均精确率输出

print('微平均精确率:', metrics.precision_score(y_test, y_predict, average='micro')) #预测微平均精确率输出

print('宏平均召回率:',metrics.recall_score(y_test,y_predict,average='macro'))#预测宏平均召回率输出

print('平均F1-score:',metrics.f1_score(y_test,y_predict,average='weighted'))#预测平均f1-score输出

print('混淆矩阵输出:',metrics.confusion_matrix(y_test,y_predict))#混淆矩阵输出

print('分类报告:', metrics.classification_report(y_test, y_predict))#分类报告输出

plot_roc(y_test, y_predict) #绘制ROC曲线并求出AUC值

评价指标结果如下：