ROC曲线

ROC曲线
在介绍如何绘制ROC曲线之前，我们先来介绍什么是ROC曲线以及ROC曲线的作用以及什么是真正利率和假正利率。

2.1ROC曲线的定义
ROC全称Receiver Operating Characteristic，即受试者工作特征，坐标图式的分析工具。ROC 曲线的纵轴是"真正例率" (True Positive Rate，简称 TPR)，横轴是"假正例率" (False PositiveRate， FPR)。

2.2ROC曲线的作用
在机器学习和数据挖掘领域同样是对学习器的泛化性能进行评估。

2.3如何计算TPR和FPR
 

TPR=TP/(TP+FN)

FPR=FP/(TN+FP)

理解ROC曲线

当ROC曲线接近于(1,0)点，表明模型泛化性能越好，接近对角线时，说明模型的预测结果为           随机预测结果。

由图可知如何比较ROC曲线的优劣性：

1、当一个曲线被另一个曲线完全包含了，则后者性能优于前者。

2、ROC曲线下方的面积(AUC)可以用来作为评估模型模型性能的指标。如当两个模型的ROC曲线发生交叉，则很难说哪一个模型更好，这时候可以用AUC来作为一个比较合理的判据。ROC曲线一般都处于y=x这条直线的上方，所以取值范围在0.5和1之间，使用AUC作为评价指标是因为ROC曲线在很多时候并不能清晰地说明哪个分类器的效果更好，而AUC作为一个数值，其值越大代表分类器效果更好。

绘制ROC曲线

代码：

# y: 样本标签
# scores: 模型对样本属于正例的概率输出
y = np.array([1, 1, 1, 1, 1, 0, 1, 1, 0, 1, 1, 1, 0, 0, 0, 0, 1, 0, 0, 0])
scores = np.array([0.9, 0.75, 0.86, 0.47, 0.55, 0.56, 0.74, 0.62, 0.5, 0.86, 0.8, 0.47, 0.44, 0.67, 0.43, 0.4, 0.52, 0.4, 0.35, 0.1])
fpr,tpr, thresholds = metrics.roc_curve(y,scores)

plt.figure("ROC Curve")
plt.title('TPR/FPR Curve')
plt.xlabel('FPR')
plt.ylabel('TPR')
plt.plot(fpr,tpr)
plt.show()

运行：