AUC指标的代码实现

导读

在上一篇博客中，我们知道了ROC曲线的定义以及什么是AUC指标。下面我们将学习如何实现AUC评价指标。

方法1（自建方法）

def AUC(label, pre):
   """
　　适用于python3.0以上版本
   """
    # 计算正样本和负样本的索引，以便索引出之后的概率值
    pos = [i for i in range(len(label)) if label[i] == 1]
    neg = [i for i in range(len(label)) if label[i] == 0]
    auc = 0
    for i in pos:
        for j in neg:
            if pre[i] > pre[j]:
                auc += 1
            elif pre[i] == pre[j]:
                auc += 0.5

    return auc / (len(pos) * len(neg))

if __name__ == '__main__':
    label = [1, 0, 0, 0, 1, 0, 1, 0]
    pre = [0.9, 0.8, 0.3, 0.1, 0.4, 0.9, 0.66, 0.7]
    print(AUC(label, pre))

注：

1. label [ ]列表中的1、0的值是定义pre [ ]中的元素值是正样本还是负样本。
2. pre [ ] 列表中的元素是正负样本的值（如cos的值等）

方法2（用sklearn算法库）

# 导入sklearn算法库中的包
from sklearn.metrics import roc_curve, auc

‘’‘
label是列表形式，对应方法1中的label形式
pre是列表形式，对应方法1中的pre形式
’‘’
fpr, tpr, th = roc_curve(label, pre, pos_label=1)
print('sklearn', auc(fpr, tpr))

其他

若可以直接求得正/负样本间的数值，推荐用方法1。