分类算法——ROC曲线与AUC指标（九）

知道TPR与FPR

• TPR=TP/(TP + FN)
  • 所有真实类别为1的样本中，预测类别为1的比例
• FPR =FP/(FP +TN)
  • 所有真实类别为0的样本中，预测类别为1的比例

ROC曲线

• ROC曲线的横轴就是FPRate，纵轴就是TPRate，当二者相等时，表示的意义则是：对于不论真实类别是1还是0的样本，分类器预测为1的概率是相等的，此时 AUC为0.5。
  

AUC指标

• AUC的概率意义是随机取一对正负样本，正样本得分大于负样本的概率
• AUC的最小值为0.5，最大值为1，取值越高越好
• AUC=1，完美分类器，采用这个预测模型时，不管设定什么值都能得出完美预测。绝大多数预测的场合，不存在完美分类器。
• 0.5<AUC<1，优于随机猜测。这个分类器（模型）妥善设定值的话，能有预测价值。

最终AUC的范围在[0.5，1]之间，并且越接近1越好

AUC计算API

• from sklearn.metrics import roc_auc_score
  • sklearn.metrics.roc_auc_score(y_true, y_score)
    • 计算ROC曲线面积，即AUC值
    • y_true：每个样本的真实类别，必须为0（反例），1（正例）标记
    • y_score：预测得分，可以是正类的估计概率、置信值或者分类器方法的返回值

//0.5~1之间，越接近于1约好
y_test =np.where(y_test>2.5,1,0)

print("AUC指标:",roc_auc_score(y_test, lr.predict(x_test)))

总结

• AUC只能用来评价二分类
• AUC非常适合评价样本不平衡中的分类器性能