ROC曲线以及AUC值

ROC曲线以及AUC值

ROC 曲线（接收者操作特征曲线）是一种显示分类模型在所有分类阈值下的效果的图表。该曲线绘制了以下两个参数：

真正例率 :将实际正的预测为正的占实际正的比例
假正例率：将实际负的预测正的占实际负的比例

真正例率

假正例率

阈值：
用于程序判断实例是正是负的临界值。

实例

sklearn.metrics.roc_curve（y_true，y_score，*，pos_label = None，sample_weight = None，drop_intermediate = True）

参数

y_true：真实的样本标签，默认为{0，1}或者{-1，1}。如果要设置为其它值，则 pos_label 参数要设置为特定值。例如要令样本标签为{1，2}，其中2表示正样本，则pos_label=2。
y_score：对每个样本的预测结果。
pos_label：正样本的标签。

返回值,roc_curve() 函数有3个返回值：

fpr：假正例率
tpr：真正例率
thresholds：阈值

>>> import numpy as np
>>> from sklearn import metrics
>>> y = np.array([1, 1, 2, 2])
>>> scores = np.array([0.1, 0.4, 0.35, 0.8])
>>> fpr, tpr, thresholds = metrics.roc_curve(y, scores, pos_label=2)
>>> fpr
array([0. , 0. , 0.5, 0.5, 1. ])
>>> tpr
array([0. , 0.5, 0.5, 1. , 1. ])
>>> thresholds
array([1.8 , 0.8 , 0.4 , 0.35, 0.1 ])

在上面实例中，假设2表示正，1表示负，则$TP+FN=2;FP+TN=2$
1、当阈值取1.8时
$$\begin{gathered} TP=0 \\ FP=0 \\ 所以fpr0=；tpr=0 \end{gathered}$$

2、当阈值取0.8时，第二个2被预测为正
$$\begin{gathered} TP=1 \\ FP=0 \\ 所以fpr=0；tpr=0.5 \end{gathered}$$

3、当阈值取0.4时，第二个1被预测为正，
$$\begin{gathered} TP=1 \\ FP=1 \\ 所以fpr=0.5；tpr=0.5 \end{gathered}$$

3、当阈值取0.35时，两个2都被预测为正，再加上第二个1被预测为正
$$\begin{gathered} TP=2 \\ FP=1 \\ 所以fpr=0.5；tpr=1 \end{gathered}$$

3、当阈值取0.35时,所有都预测为2了
$$\begin{gathered} TP=2 \\ FP=2 \\ 所以fpr=1；tpr=1 \end{gathered}$$