ROC曲线的绘制

最新推荐文章于 2024-05-13 14:59:10 发布

fuheshi

最新推荐文章于 2024-05-13 14:59:10 发布

阅读量1.3k

点赞数 1

分类专栏：评估模型文章标签： python

本文链接：https://blog.csdn.net/fuheshi/article/details/121431069

版权

评估模型专栏收录该内容

1 篇文章 0 订阅

订阅专栏

定义

ROC曲线的X轴为FPR，Y轴为TPR

术语

阳性 (P, positive)
阴性 (N, Negative)
真阳性 (TP, true positive) 正确的肯定。又称：命中 (hit)
真阴性 (TN, true negative) 正确的否定。又称：正确拒绝 (correct rejection)
伪阳性 (FP, false positive) 错误的肯定，又称：假警报 (false alarm)，第一型错误
伪阴性 (FN, false negative) 错误的否定，又称：未命中 (miss)，第二型错误
真阳性率 (TPR, true positive rate) 又称：命中率 (hit rate)、敏感度(sensitivity)
TPR = TP / P = TP / (TP+FN)
伪阳性率(FPR, false positive rate) 又称：错误命中率，假警报率 (false alarm rate) FPR = FP / N = FP / (FP + TN)
准确度 (ACC, accuracy) ACC = (TP + TN) / (P + N) 即：(真阳性+真阴性) / 总样本数
真阴性率 (TNR) 又称：特异度 (SPC, specificity) SPC = TN / N = TN / (FP + TN) = 1 - FPR
阳性预测值 (PPV) PPV = TP / (TP + FP)
阴性预测值 (NPV) NPV = TN / (TN + FN) 假发现率 (FDR) FDR = FP / (FP + TP

示例

from sklearn.metrics import roc_curve,auc
from sklearn.metrics import roc_auc_score
import matplotlib.pyplot as plt
def plot_figure(fpr, tpr):
    roc_auc = auc(fpr, tpr)  # 求auc面积
    plt.plot([0, 1], [0, 1], 'k--')
    plt.axis([0, 1, 0, 1])
    plt.xlabel('FPR', fontsize=16)
    plt.ylabel('TPR', fontsize=16)
    plt.plot(fpr, tpr, label='ROC (area = {0:.6f})'.format(roc_auc), lw=2)  # 画出当前分割数据的ROC曲线
    print(roc_auc)
    plt.legend(loc="lower right")
    plt.show()
def fpr_tpr(predict,target):
    TP = 0
    FN = 0
    FP = 0
    TN = 0
    fpr = []
    tpr = []
    for i in range(len(predict)):
        if target[i] == 1 and predict[i] == 1:
            TP += 1
        elif target[i] == 1 and predict[i] == 0:
            FN += 1
        elif target[i] == 0 and predict[i] == 0:
            TN += 1
        else:
            FP += 1
        if TP + FN == 0:
            tpr.append(0)
        else:
            tpr.append(TP/(TP + FN))
        if FP + TN == 0:
            fpr.append(0)
        else:
            fpr.append(FP/(FP + TN))
    print('fpr',len(fpr))
    fpr = sorted(fpr,reverse=False)
    tpr = sorted(tpr,reverse=False)
    return fpr,tpr
 fpr,tpr = fpr_tpr(predict,target)  ## 输入预测值和真实值，适用于预测值为二分类的数据
 plot_figure(fpr,tpr)