metrics.roc_curve与r2_score

本文详细解释了ROC曲线的构成,包括FPR、TPR和阈值的概念,并通过实例展示了如何使用scikit-learn计算ROC曲线。同时,介绍了AUC作为衡量模型性能的指标,强调其表示模型将正样本排列在负样本之前的概率。文章指出,正确计算AUC应基于预测概率,而非分类结果。最后提到了R2_score在回归任务中的应用,但指出其在某些情况下并不适用。
摘要由CSDN通过智能技术生成

ROC曲线

链接1:https://blog.csdn.net/sun91019718/article/details/101314545

讲解了fpr,tpr,threshold=roc_curve(y_true,y_score)

阈值是y_score内的元素去重后加入一个‘最大值+1’的值降序排序后组成的数据,每一个元素作为阈值,数据类型是一维数组。比如:y_score=np.array([0, 1, 2,0,3,1])对应的threshold=np.array([4, 3, 2,1,0])

y_true:真实结果数据,数据类型是数组
y_score:预测结果数据,可以是标签数据也可以是概率值,数据类型是形状 与y_true一致的数组
pos_label:默认为None,只有当标签数据如{0,1}、{-1,1}二分类数据才能默认;否则需要设置正样本值

我的scikit-learn (0.18.1)

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)
print(fpr,’\n’,tpr,’\n’,thresholds)
[0. 0.5 0.5 1. ]
[0.5 0.5 1. 1. ]
[0.8 0.4 0.35 0.1 ]
没有最大值+1,可能是旧版本

官网链接

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)

pos_label=2 是指在y中标签为2的是标准阳性标签,其余值是阴性。

True binary labels. If labels are not either {-1, 1} or {0, 1}, then pos_label should be explicitly given.

AUC

链接2:https://blog.csdn.net/qq_22238533/article/details/78666436

曲线下面积对所有可能的分类阈值的效果进行综合衡量。曲线下面积的一种解读方式是看作模型将某个随机正类别样本排列在某个随机负类别样本之上的概率。以下面的样本为例,逻辑回归预测从左到右以升序排列。

https://blog.csdn.net/yuxiaosmd/article/details/83046162这一篇有点长,没讲AUC怎么计算。

注意:roc_auc_score(),传入预测的分类结果和预测的概率都是可以计算的。但正确的做法是传入预测概率,这样才符合AUC的计算原理。并且传入分类结果的话,auc指标会更低,因为曲线变粗糙了。

若利用roc_curve()产生fpr和tpr,再结合auc,计算结果与roc_auc_score相同。但这种方法无法计算预测分类结果的auc,会报错。

R2_score

链接3:r2_score评价回归模型 ,简洁明了
链接4: 讲述了原理

两个链接没有说明符号分别代表什么:
y i y_i yi :实际值
y ˉ i \bar{y}_i yˉi:实际值的平均值
y ^ i \hat{y}_i y^i:预测值

R 2 R^2 R2越接近于1,表示回归的效果越好。

https://www.cnblogs.com/jiangkejie/p/10677858.html这篇提到为什么少用这个指标

评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值