auc计算公式推导与Python代码实现

最新推荐文章于 2023-02-26 20:28:01 发布
最新推荐文章于 2023-02-26 20:28:01 发布
阅读量1.3k 收藏 5
点赞数 2
分类专栏： python 推荐算法
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/wxgaws/article/details/115031072
版权
参考AUC计算方法与Python实现代码python计算auc指标代码def calAUC(prob,labels): f = list(zip(prob,labels)) rank = [values2 for values1,values2 in sorted(f,key=lambda x:x[0])] rankList = [i+1 for i in range(len(rank)) if rank[i]==1] posNum = 0 negNum = 0 for
摘要由CSDN通过智能技术生成

参考

  1. AUC的计算方法
  2. AUC计算方法与Python实现代码
  3. 百面机器学习127页

1.使用概率定义计算auc

1.1计算公式推导

AUC的概率定义如下
（式0）

博文1描述了两种计算auc的方法，分别为式1和式2，式2计算效率较高，但是解释的不够清楚。
（式1）
式1（式2）
式2中各参数意义如下：

  • M为正样本数量，N为负样本数量。
  • r a n k i rank_i ranki​为第i条样本序号。将所有样本按照预测得分升序排列，预测分最小的序号为1，预测分最大的序号为T=M+N。式1分子的求和部分，表示将所有正样本的序号求和。
  • 对预测得分相同的多条样本，序号要取原始序号的平均值。

假设第1大的正样本序号为 r a n k a 1 rank_{a1} ranka1​，则预测得分比它小的样本有 r a n k a 1 − 1 rank_{a1}-1 ranka1​−1个，其中包含了M-1个正样本，因此预测得分比它小的负样本个数为 n 1 = r a n k a 1 − M n_1=rank_{a1}-M n1​=ranka1​−M。

假设第i大的正样本序号为 r a n k a i rank_{ai} rankai​，同理可得预测得分比它小的负样本个数为

最低0.47元/天 解锁文章
xxaxtt
关注
  • 2
    点赞
  • 踩
  • 5
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 2
    评论
专栏目录
auc是怎么计算的？
ustbbsy的博客
06-29 1万+
1 roc曲线计算auc 我们都知道auc是roc曲线下的面积，但这种计算不方便 2 公式计算auc 有另外一种计算方法： 任意给一个正类样本和一个负类样本，正类样本的score大于负类样本的score的概率 公式如下 M 是正样本的个数，N是副样本的个数 值得是第i个样本的序号。对所有的预测样本的score进行从小到大的排序，然后从1进行标号。 原始样本 模型打分 0.8 0.5 0.6 0.3 0.4.
AUC计算方法与Python实现代码
09-17
以下是一个基于第二种方法的AUC计算的Python实现： ```python def calAUC(prob, labels): # 将概率和标签组合并排序 f = list(zip(prob, labels)) rank = [values2 for values1, values2 in sorted(f, key=...
AUC计算方法与Python实现
u014035615的博客
04-25 2万+
AUC计算方法与Python实现 -AUC计算方法 -AUC的Python实现方式 AUC计算方法 AUC是ROC曲线下的面积，它是机器学习用于二分类模型的评价指标，AUC反应的是模型对样本的排序能力。它的统计意义是从所有正样本随机抽取一个正样本，从所有负样本随机抽取一个负样本，当前score使得正样本排在负样本前面的概率。 AUC的计算主要以下几种方法： 计算ROC曲...
计算AUC的方法以及代码实现
bitcarmanlee的博客
11-04 1246
按概率从高到矮排个降序， 对于正样本中概率最高的，排序为rank_1， 比它概率小的有M-1个正样本（M为正样本个数）， (rank_1 - M) 个负样本。正样本概率第二高的， 排序为rank_2， 比它概率小的有M-2个正样本，(rank_2 - M + 1) 个 负样本。正样本中概率最小的， 排序为rank_M，比它概率小的有0个正样本，rank_M - 1 个负样本。可以看出，sklearn中auc，以及我们用上面第二，第三种方法计算得到的auc值，都是完全一致的。具体的详情可以参考下文。
AUC的两种计算方式
凝眸伏笔的博客
08-02 2万+
推荐 搜索场景下的auc理解_凝眸伏笔的博客-CSDN博客_搜索auc随机抽出一对样本（一个正样本，一个负样本），然后用训练得到的分类器来对这两个样本进行预测，预测得到正样本的概率大于负样本概率的概率。TPRate的意义是所有真实类别为1的样本中，预测类别为1的比例。：真正率FPRate的意义是所有真实类别为0的样本中，预测类别为1的比例。：假正率AUC的优势:AUC的计算方法同时考虑了分类器对于正例和负例的分类能力，在样本不平衡的情况下，依然能够对分类器作出合理的评价。...
auc如何计算 ？附python 代码
十三
11-03 1206
auc 可以理解为：随机抽出一对样本（一个正样本，一个负样本），然后用训练得到的分类器来对这两个样本进行预测，预测得到正样本的概率大于负样本概率的概率。 1 三种求解方法 方法 1 在有MMM个正样，NNN个负样本的数据集里。一共有M∗NM*NM∗N对样本（一对样本即，一个正样本与一个负样本）。统计这M*N对样本里，正样本的预测概率大于负样本的预测概率的个数。 ∑I(Predpos,Predneg)M∗N\frac{\sum {I(Pred_{pos}, Pred_{neg})}}{M * N}M∗N∑I(
AUC计算公式及python代码
qq_37668436的博客
03-20 6823
前言 auc的主要用于分析二分类的准确率，并且主要是对回归任务做分析，当然分类也阔以。 计算原理 一个原理是roc曲线的面积，但是比较复杂，代码不好实现所以基本上不会那么写，还一个是基于rank的公式计算，原理比较复杂，本文介绍最简单的实现。 计算原理： 遍历正负样本对 正样本的概率大于负样本，auc += 1 正样本的概率等于负样本，auc += 0.5 正样本的概率小于负样本，auc += 0 遍历完毕，auc = auc / 正负样本对数 举个例子： label = [1, 0, 0,] pre
AUC的计算公式推导1
08-04
AUC计算公式推导 概率论是机器学习中一个重要的分支，它的应用范围非常广泛，包括机器学习、数据挖掘、统计学等领域。在机器学习中，AUC（Area Under the ROC Curve）是一种常用的评价指标，它可以评估分类模型的...
基于python的评分卡模型代码实现
03-26
data = pd.read_csv('基于python的评分卡模型代码实现.csv') # 数据预处理 # 填充缺失值、转换数据类型、编码分类变量等 # 特征选择与目标变量分离 X = data.drop('target', axis=1) y = data['target'] # 划分...
利用Python画ROC曲线和AUC值计算
12-23
这篇文章将先简单的介绍ROC和AUC，而后用实例演示如何python作出ROC曲线图以及计算AUC。 AUC介绍 AUC(Area Under Curve)是机器学习二分类模型中非常常用的评估指标，相比于F1-Score对项目的不平衡有更大的容忍性，...
AUC计算
赵大宝的博客
06-16 1426
AUC: Area Under Curve, 默认为ROC(receiver operating characteristic curve) Curve, 也可以指定PR(Precision Recall) curve。 由于ROC曲线的X轴为False Positive Rate，Y轴为True Positive Rate，AUC是可以指 随机给定一个正样本和一个负样本，分类器输出该正样本为正的 比 输出该负样本为正 要大的概率，即 AUC = P(P_tpr > P_fpr). AUC的计算方法
python计算AUC值
工科π的博客
05-19 4488
AUC简介 AUC（Area Under Curve）被定义为ROC曲线下与坐标轴围成的面积，显然这个面积的数值不会大于1。AUC被广泛应用在多标签分类中衡量分类结果。尤其是样本分布不均时，一般采用AUC作为各标签分类结果的衡量标准。 本文介绍了python实现AUC计算的方法。 首先该方法使用sklearn中的roc_auc_score函数计算，因此需要事先安装sklearn,安装命令为pip install sklearn 计算AUC的代码为： from sklearn.metrics import r
机器学习评价指标 ROC与AUC 的理解和python实现
张渊猛的博客
08-15 2万+
本文所讲内容的前提是一个二分类的任务，多分类任务可以经过简单扩展用转化成二分类。 评估一个二分类的分类器的性能指标有：准确率、查准率（precision）、查全率（recall）、F1值以及ROC和AUC等。前面几个比较直观，而ROC和AUC相对抽象一点，本文将重点放在后者。因为本文曾一度没搞清ROC，所以这次彻底搞明白。 从混淆矩阵说起 首先一个用分类器预测完后，我们会得到一个二分类的混淆...
sklearn.metrics中的roc_auc_score理解以及使用
yrk0556的博客
12-04 3万+
import numpy as np from sklearn import metrics import matplotlib.pyplot as plt label=np.array([1,1,-1,-1]) scores=np.array([0.7,0.2,0.4,0.5]) fpr,tpr,thresholds=metrics.roc_curve(label,scores) print('FPR:',fpr) print('TPR:',tpr) print('thresholds:',thresho
sklearn评分函数roc_auc_score和f1_score中参数average的说明
hxhabcd123的博客
02-26 2621
本文记录在python第三方库sklearn的两个评分函数 sklearn.metrics.roc_auc_score（计算AUC） 和 sklearn.metrics.f1_score（计算F1）中的参数“average”的几种方式。
一文梳理AUC原理及python实现
乌云踏雪
04-01 846
auc介绍：AUC即ROC曲线下的面积，假设是一个二分类的问题，我们如果使用逻辑回归，需要设定一个阈值做分类，AUC的计算方法同时考虑了分类器对于正例和负例的分类能力，在样本不平衡的情况下，依然能够对分类器作出合理的评价 roc曲线的横坐标和纵坐标分别是True Positive Rate（真阳率）、False Positive（伪阳率）； TPRate的意义是所有真实类别为1的样本中，预...
CTR 预测理论（十五）：分类评价指标 AUC 总结（优缺点、计算公式推导）
Dby_freedom的博客
05-04 1万+
个人复习总结分类评价指标 ROC，AUC 时候，私以为 AUC 作为 CTR 预估常用离线评估指标，有着丰富的含义和特性，现对其含义、优缺点、用途、计算公式推导等做一个盘点。
AUC的计算方法
热门推荐
SCUT_Sam
11-29 12万+
摘要: 在机器学习的分类任务中，我们常用许多的指标，诸如召回率（Recall）、准确率（Precision）、F1值、AUC等。 那么，如果如果手动计算AUC应该要怎么计算呢？相信大家很多时候都是用写好的库直接计算，可能对AUC计算不太了解，下面这篇文章就简单的概述一下AUC的计算方法。 （注：本文的重点其实不在于阐述什么是AUC。因为网上关于这方面的文章实在太多了。但是对于AUC的计算的文
用Python绘制ROC曲线
L.Z.的博客
09-21 11万+
在分类模型中，ROC曲线和AUC值经常作为衡量一个模型拟合程度的指标。最近在建模过程中需要作出模型的ROC曲线，参考了sklearn官网的教程和博客。现在将自己的学习过程总结如下，希望对初次接触的同学有所帮助。PS：网上的例子实在是晦涩难懂，在折腾了一下午之后终于搞定了。下面是我在学习过程中主要参考的资料，大家也可以学习一下。 http://scikit-learn.org/sta...
python auc计算公式
最新发布
08-19
AUC (Area Under the Curve) 是评估二元分类模型性能的常用指标之一，表示 ROC 曲线下的面积。...在 Python 中，可以使用 NumPy、SciPy 或者 scikit-learn 等库来计算 AUC，具体实现方式可能会有所不同。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 2
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
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

打赏作者

xxaxtt

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
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