ROC曲线以及AUC值

ROC 曲线（接收者操作特征曲线）是一种显示分类模型在所有分类阈值下的效果的图表。该曲线绘制了以下两个参数：

真正例率 :将实际正的预测为正的占实际正的比例
假正例率：将实际负的预测正的占实际负的比例

真正例率

假正例率

阈值：
用于程序判断实例是正是负的临界值。

实例

sklearn.metrics.roc_curve（y_true，y_score，*，pos_label = None，sample_weight = None，drop_intermediate = True）

参数

y_true：真实的样本标签，默认为{0，1}或者{-1，1}。如果要设置为其它值，则 pos_label 参数要设置为特定值。例如要令样本标签为{1，2}，其中2表示正样本，则pos_label=2。
y_score：对每个样本的预测结果。
pos_label：正样本的标签。

返回值,roc_curve() 函数有3个返回值：

fpr：假正例率
tpr：真正例率
thresholds：阈值

>>> import numpy as np
>>> from sklearn import metrics
>>> y = np.array([1, 1, 2, 2])
>>> scores = np.array([0.1, 0.4, 0.35, 0.8])
>>> fpr, tpr, thresholds = metrics.roc_curve(y, scores, pos_label=2)
>>> fpr
array([0. , 0. , 0.5, 0.5, 1. ])
>>> tpr
array([0. , 0.5, 0.5, 1. , 1. ])
>>> thresholds
array([1.8 , 0.8 , 0.4 , 0.35, 0.1 ])

在上面实例中，假设2表示正，1表示负，则TP+FN=2;FP+TN=2TP + FN = 2;FP + TN = 2TP+FN=2;FP+TN=2
1、当阈值取1.8时
TP=0FP=0所以fpr0=；tpr=0TP = 0 \\ FP = 0 \\ 所以fpr0=；tpr=0 TP=0FP=0所以fpr0=；tpr=0

2、当阈值取0.8时，第二个2被预测为正
TP=1FP=0所以fpr=0；tpr=0.5TP = 1 \\ FP = 0 \\ 所以fpr=0；tpr=0.5 TP=1FP=0所以fpr=0；tpr=0.5

3、当阈值取0.4时，第二个1被预测为正，
TP=1FP=1所以fpr=0.5；tpr=0.5TP = 1 \\ FP = 1 \\ 所以fpr=0.5；tpr=0.5 TP=1FP=1所以fpr=0.5；tpr=0.5

3、当阈值取0.35时，两个2都被预测为正，再加上第二个1被预测为正
TP=2FP=1所以fpr=0.5；tpr=1TP = 2 \\ FP = 1 \\ 所以fpr=0.5；tpr=1 TP=2FP=1所以fpr=0.5；tpr=1

3、当阈值取0.35时,所有都预测为2了
TP=2FP=2所以fpr=1；tpr=1TP = 2 \\ FP = 2 \\ 所以fpr=1；tpr=1 TP=2FP=2所以fpr=1；tpr=1

ROC曲线以及AUC值相关推荐

分类模型的ROC曲线、AUC值、GINI系数、Lift、Gain、KS指标分别是什么？计算公式是什么？有什么意义？
分类模型的ROC曲线.AUC值.GINI系数.Lift.Gain.KS指标分别是什么?计算公式是什么?有什么意义? 目录
机器学习之分类性能度量指标 : ROC曲线、AUC值、正确率、召回率
北京 | 高性能计算之GPU CUDA课程11月24-26日3天密集学习快速带你晋级阅读全文> 在分类任务中,人们总是喜欢基于错误率来衡量分类器任务的成功程度.错误率指的是在所有测试样例中错分 ...
一文详尽混淆矩阵、准确率、精确率、召回率、F1值、P-R 曲线、ROC 曲线、AUC 值、Micro-F1 和 Macro-F1
文章目录二分类的评价指标一.混淆矩阵与 TP.TN.FP.FN 二.准确率.精确率.召回率.F1值三.P-R 曲线四.ROC 曲线.AUC 值五.P-R曲线和ROC曲线有什么区别,如何选择? ...
机器学习中的度量指标：ROC曲线，AUC值，K-S曲线
机器学习中的度量指标:ROC曲线,AUC值,K-S曲线首先,回顾一下二分类问题的一些定义: 预测 1 0 实 1 TP FN 际 0 FP TN 上表中,四个项分别为:TP真阳性:FN假阴性:FP ...
分类模型-评估指标（2）：ROC曲线、 AUC值（ROC曲线下的面积）【只能用于二分类模型的评价】【不受类别数量不平衡的影响；不受阈值取值的影响】【AUC的计算方式：统计所有正负样本对中的正序对】
评价二值分类器的指标很多,比如precision.recall.F1 score.P-R曲线等.但这些指标或多或少只能反映模型在某一方面的性能.相比而言,ROC曲线则有很多优点,经常作为评估二值分类器 ...
正确率/精度（precision）,召回率（recall）,F1-score，ROC 曲线，AUC值
准确率(accuaracy)= (TP+TN)/ ALL 即(TP+TN+FP+FN),是我们最熟知的. 正确率/精度(precision),召回率(recall),F1-score,ROC 曲线,A ...
机器学习之分类器性能指标之ROC曲线、AUC值
机器学习之分类器性能指标之ROC曲线.AUC值 http://www.cnblogs.com/dlml/p/4403482.html 分类器性能指标之ROC曲线.AUC值一 roc曲线 1.roc曲 ...
分类性能度量指标：ROC曲线、AUC值、正确率、召回率、敏感度、特异度
在分类任务中,人们总是喜欢基于错误率来衡量分类器任务的成功程度.错误率指的是在所有测试样例中错分的样例比例.实际上,这样的度量错误掩盖了样例如何被分错的事实.在机器学习中,有一个普遍适用的称为混淆矩阵 ...
机器学习之性能度量指标——决定系数R^2、PR曲线、ROC曲线、AUC值、以及准确率、查全率、召回率、f1_score
一.线性回归的决定系数(也称为判定系数,拟合优度) 相关系数是R哈~~~就是决定系数的开方! 正如题所说决定系数是来衡量回归的好坏,换句话说就是回归拟合的曲线它的拟合优度!也就是得分啦~~ 决定系数它 ...
ROC曲线，AUC值，PR曲线，AP值
Receiver Operating Characteristic (ROC) with cross validation - scikit-learn 1.0.2 documentation Pre ...

ROC曲线以及AUC值

ROC曲线以及AUC值

实例

ROC曲线以及AUC值相关推荐

最新文章

热门文章