python计算ROC曲线和面积AUC

最新推荐文章于 2024-08-22 08:51:11 发布

Mr.Jcak

最新推荐文章于 2024-08-22 08:51:11 发布

阅读量4.4k

点赞数 4

分类专栏： python

本文链接：https://blog.csdn.net/weixin_38314865/article/details/107788498

版权

本文详细解析了ROC曲线的概念，包括真正率(TPR)和假正率(FPR)的计算，以及如何使用sklearn库绘制ROC曲线并计算AUC(曲线下面积)。通过实例演示了不同阈值下TPR和FPR的变化，帮助读者深入理解二分类模型的性能评估。

摘要由CSDN通过智能技术生成

ROC曲线是根据一系列不同的二分类方式（分界值或决定阈），以真正率（也就是灵敏度）（True Positive Rate,TPR）为纵坐标，假正率（1-特效性）（False Positive Rate,FPR）为横坐标绘制的曲线。通过将连续变量设定出多个不同的临界值，从而计算出一系列敏感性和特异性，从而可以绘制ROC曲线。

纵坐标：真正率（True Positive Rate , TPR）或灵敏度（sensitivity）

TPR = TP /（TP + FN）（正样本预测结果数 / 正样本实际数）

横坐标：假正率（False Positive Rate , FPR）

FPR = FP /（FP + TN）（被预测为正的负样本结果数 /负样本实际数）

利用sklearn.metrics.roc_curve可以计算ROC曲线

from sklearn.metrics import roc_curve, auc

y_true = [0, 1, 1]
y_score = [0.1, 0.8, 0.7]

fpr, tpr, thresholds = roc_curve(y_true, y_score)
print(fpr, tpr, thresholds)
"""
[0. 0. 0. 1.] 
[0.  0.5 1.  1. ] 
[1.8 0.8 0.7 0.1]
"""

其中y_tru