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((PD, output_sfmx.data.cpu()),0) # 目标值

GT = torch.cat((GT, label.float().cpu()),0)

roc_data = {'pd':PD,'gt':GT}

df = pd.DataFrame(roc_data) # 把输出的概率和目标组合称DataFrame形式，然后保存，用于下一步绘制ROC去曲线

df.to_csv('.\\results\\roc_data_bce_%d.csv' % k)

得到目标值和输出概率之后，借助于sklearn.metrics中的roc_curve和auc方法进行绘图和计算。

import pandas as pd

from matplotlib import pyplot as plt

from sklearn.metrics import roc_curve, auc

import os

plt.style.use('classic')

path = r'C:\Users\Phantom\Desktop\roc_data\table1'

files = os.listdir(path)

fprs = []

tprs = []

aucs=[]

for i,file in enumerate(files):

pf = os.path.join(path,file)

df = pd.read_csv(pf)

pred = df.iloc[:, 1].tolist()

target = df.iloc[:, 2].tolist()

fpr, tpr, thresholds = roc_curve(target,pred) #计算fpr和tpr，用于下一步绘图和AUC计算

fprs.append(fpr)

tprs.append(tpr)

aucs.append(auc(fpr,tpr)) # 计算AUC值

plt.plot(fprs[0],tprs[0], lw=1.5, label="W-Y, AUC=%.3f)"%aucs[0])

plt.plot(fprs[1],tprs[1], lw=1.5, label="Y-Y, AUC=%.3f)"%aucs[1] )

plt.plot(fprs[2],tprs[2], lw=1.5, label="W-W, AUC=%.3f)"%aucs[2] )

plt.xlabel("FPR",fontsize=15)

plt.ylabel("TPR",fontsize=15)

plt.title("ROC")

plt.legend(loc="lower right")

plt.show()

最后结果：

参考：