从代码理解工业缺陷检测性能指标AUROC及最佳阈值的求取

话不多说，先上代码，看看是怎么求的，再来分析原理。

# -*- coding:utf-8 -*-
# Peoject：004_MyScripts
# File：AUROC_test
# User：csu.pan-||
# Time：2023/6/15 10:46
# IDE: PyCharm
# Func: AUROC的测试

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

def AUC(label, pre):
    # 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]   #正样本索引
    neg = [i for i in range(len(label)) if label[i] == 0]   #负样本索引
    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, 1, 1, 1, 0, 0, 0, 0]
    pre = [0.65, 0.65, 0.50, 0.51, 0.41, 0.48, 0.42, 0.42]
    print('mycompu_AUROC: ', AUC(label, pre))

    '''
    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, thresholds = roc_curve(label, pre, pos_label=1)

    optimal_idx = np.argmax(tpr - fpr)
    optimal_threshold = thresholds[optimal_idx]    # 求出最佳阈值

    print('sklearn_AUROC: ', auc(fpr, tpr))
    print('optimal_thres: ', optimal_threshold)

结果1：

mycompu_AUROC:  1.0
sklearn_AUROC:  1.0
optimal_thres:  0.5

现在换一个输入，看看情况咋样。

label = [1, 1, 1, 1, 0, 0, 0, 0]
pre = [0.45, 0.45, 0.40, 0.41, 0.31, 0.38, 0.32, 0.32]

结果2：

mycompu_AUROC:  1.0
sklearn_AUROC:  1.0
optimal_thres:  0.4

看到没有，代码中使用了sklearn的求AUROC函数和自定义的函数，从结果和代码来看，AUROC只是在排序，只要正样本的预测值比负样本大，就能得分，并没有说所有阈值下都能有效。

当我们使用MVTecAD数据集上那些算法的时候，一定要注意了，虽然AUROC指标看上去都很高，达到了99%以上，但是不同的验证集求出来的最佳阈值，可能就具有很大的差异。

所以，目前这些无监督的工业检测算法，都号称不需要负样本，实际上却需要验证集的正负样本来求取最佳阈值，但不同的验证集最佳阈值差异很大，比如结果1和结果2中的，你要是拿0.5的阈值去套，那结果2预测的就全是负例了，虽然AUROC都是1。这在工业部署的时候并不具有实用性，我们真正需要的是召回率和误检率这些指标。

参考：
https://www.jianshu.com/p/2253bde32823
https://blog.csdn.net/didi_ya/article/details/125141195