使用 4 个样本画出 ROC 曲线

ROC 曲线，作为评价机器学习模型敏感度的一条重要曲线，在分类任务评价机制中应用较多。

但是很多朋友对于 ROC 曲线的理解还是有些模糊，心想着 x 轴是 FPR, y 轴是 TPR, 组条曲线有些神秘。

今天，咱们用 4 个样本，使用逻辑回归，分类阈值分别从 0.,0.2,0.4,0.6,0.8,1.0，依次变化，分别求出对应分类阈值的 FRP 和 TPR 值。

这样不就得到 6 个 (FRP,TPR) 点，组个曲线，不就是 ROC 曲线吗！

# 有监督任务，四个样本的实际值：

target = np.array([1,0,1,0])

计算公式：

def TPR(TP,FN):
    return TP / (TP + FN)

def FPR(FP,TN):
    return FP / (FP + TN)

使用逻辑回归 Logistic regression，得到 4 个样本的概率分布为：[0.8,0.6,0.4,0.2]

当分类阈值参数 alpha 为 0.0 时：

y0 = np.array([1,1,1,1])
p00 = [TPR(2,0),FPR(2,0)]
p00

结果：