分类算法如何绘制roc曲线_ROC曲线绘制方法

ROC(Receiver Operating Characteristic)曲线即受试者工作特征曲线。ROC曲线与坐标轴围成的面积被称为AUC(Area Under Curve)，这两个指标和敏感性、特异性和准确性一起，是评估算法模型性能常用的指标。

在进一步介绍ROC曲线如何绘制之前，先引入几个概念。TP(True Positives)，TN(True Negatives)，FP(False Positives)，FN(False Negatives) 分别为阳性样本正确分类数量、阴性样本正确分类数量、阳性样本错误分类数量以及阴性样本错误分类数量。

阳性样本正确分类数量占阳性样本总数的比例TPR(即敏感性，Sensitivity)，阴性样本正确分类的数量占阴性样本总数的比例FPR(即1-特异性，1-Specificity)计算如下：

(阳性样本被判断为阳性/阳性样本总数)

(阴性样本被判断为阳性/阴性样本总数)

ROC曲线横坐标为FPR，纵坐标为TPR。ROC曲线直观上反映了模型在选择不同阈值的时候敏感性与1-特异性的趋势走向。

绘制ROC曲线需要得到输出结果的概率。对于普通数值型输入，模型测试时在输出部分增加softmax函数，然后取阳性概率值。

GT = torch.FloatTensor()

PD = torch.FloatTensor()

output_sfmx = torch.softmax(logits, dim=1)[:,1] # 取输出结果的概率，并取第二列

PD = torch.cat((