本文介绍了ROC曲线及其在二分类任务中的重要性。sklearn库提供了roc_curve函数来计算ROC曲线的相关指标，包括假阳性率(fpr)、真正例率(tpr)和阈值(thresholds)。通过示例详细解析了函数参数和返回值的含义，帮助理解如何使用该函数评估分类器性能。
roc曲线是机器学习中十分重要的一种学习器评估准则，在sklearn中有完整的实现，api函数为sklearn.metrics.roc_curve(params)函数。
不过这个接口只限于进行二分类任务。！
下面主要是对官方接口做一下翻译。
接口函数 sklearn.metrics.roc_curve(y_true, y_score, pos_label=None, sample_weight=None, drop_intermediate=True)
参数说明
y_true：数组，存储数据的标签，维度就是样本数，形如[0,1,1,0,1...]这样的，也可以是-1和1，只要有两个值
y_score：数组，存储数据的预测概率值，维度也是样本数，形如[0.38,0.5,0.8]这样的
pos_label：整型或字符串，当y_true中只有一个值时，比如都是1或者都是0，无法判断哪个是正样本，需要用一个数字或字符串指出
sample_weight：采样权重，这个官方没有仔细说，是一个可选参数，有待考察
drop_intermediate：丢掉一些阈值，以便画roc曲线图
返回值：一共三个，分别是fpr,tpr,thresholds
fpr：数组，随阈值上涨的假阳性率
tpr：数组，随阈值上涨的真正例率
thresholds：数组，对预测值排序后的score列表，作为阈值，排序从
最低0.47元/天 解锁文章
5万+
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
