如何画ROC曲线？

最新推荐文章于 2025-07-13 17:36:29 发布
最新推荐文章于 2025-07-13 17:36:29 发布
阅读量3.7k 收藏 3
点赞数
CC 4.0 BY-SA版权
文章标签： ROC曲线
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.youkuaiyun.com/iamzxxing/article/details/90299794
在机器学习和深度学习里，常用ROC曲线表征系统性能。本文分享初步学习的ROC曲线绘制方法，介绍了ROC曲线横纵坐标FPR和TPR的计算公式，说明了绘制所需的TP、FN、FP和TN的含义，还给出简单示例展示绘制步骤。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

在机器学习和深度学习中往往使用ROC曲线（receiver operating characteristic curve，简称ROC曲线）来表征系统的性能。最近初步学了一下如何plot，记录分享一下~

ROC的横纵坐标分别是FPR和TPR,这两个指标计算公式如下：

TPR=TP/(TP+FN)

FPR=FP/(FP+TN)

从公式中可以看出要画ROC曲线需要知道TP、FN、FP和TN。TP和FP分别代表：tp代表得分高于阈值，而且实际中就是同一个人，fp是高于阈值，但不是同一个人。所以TPR代表了正确接受率，而FPR代表了错误拒绝率。

用一个图来更加直观的表示TP、FN、FP和TN，便于理解（此处盗图）。

下面举个简单的例子（example）:

step1:得到注册和测试者之间的打分。

step2：分别以9个值为阈值，每个值对应四个TP、FN、FP和TN，同时根据这四个值计算TPR和FPR。

step3：计算完step2，得到9个点（每个阈值对应的TPR和FPR为一个点），将9个点连接就是ROC曲线了~

ROC曲线还未出炉，出炉再展示~~

 

若有错误，欢迎指正！

iamzxxing
关注
每天五分钟机器学习：如何绘制ROC曲线？
huanfeng_AI的博客
10-29 2474
ROC 曲线，即平均操作特性曲线，是一种通过对不同决策阈值下的真阳性率（True Positive Rate，TPR）和假阳性率（False Positive Rate，FPR）进行绘制而得到的曲线。它反映了一个分类器或检测系统在不同阈值下的性能表现。真阳性率（TPR）也被称为灵敏度或召回率，是指被正确分类为阳性的样本数占实际阳性样本总数的比例。假阳性率（FPR）则是指被错误分类为阳性的样本数占实际阴性样本总数的比例。通过改变决策阈值，可以得到不同的 TPR 和 FPR 值，从而绘制出 ROC 曲线。
roc曲线怎么绘制_ROC曲线绘制方法
weixin_39669202的博客
11-23 4272
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 Po...
如何画ROC曲线
xiaohuihui1994的博客
02-27 3万+
假设如下是20个测试样本，第一列代表样本id，第二列代表他们的真实类别（p表示正样本，n表示负样本），最后一列代表训练好的模型认为每个样本是正样本的概率。 第一步：按照属于‘正样本’的概率将所有样本排序（如上图所示） 第二步:让我们依次来看每个样本。 对于样本1，如果我们将他的score值做阈值，也就是说，只有score大于等于0.9时，我们才把样本归类到真阳性（true positive），这...
ROC 曲线：横纵坐标与绘制原理
weixin_64659655的博客
07-13 746
ROC曲线是评估二分类模型性能的重要工具，通过绘制不同阈值下的真正例率（TPR）和假正例率（FPR）来反映模型的判别能力。TPR衡量模型正确识别正例的比例，FPR反映错误判断负例的比例。曲线越靠近左上角，模型性能越好；对角线对应随机猜测。AUC（曲线下面积）量化模型性能，1表示完美判别，0.5等同于随机。ROC曲线直观展示了模型在识别正例和避免误判之间的权衡，为模型选择提供可靠依据。
机器学习算法：ROC曲线的绘制
黑马程序员官方博客
07-06 3462
关于ROC曲线的绘制过程，通过以下举例进行说明假设有6次展示记录，有两次被点击了，得到一个展示序列（1:1,2:0,3:1,4:0,5:0,6:0），前面的表示序号，后面的表示点击（1）或没有点击（0）。然后在这6次展示的时候都通过model算出了点击的概率序列。下面看三种情况。与原来的序列一起，得到序列（从概率从高到低排）绘制的步骤是：1）把概率序列从高到低排序，得到顺序（1:0.9,3:0.8,2:0.7,4:0.6,5:0.5,6:0.4）；2）从概率最大开始取一个点作为正类，取到点1，计算得到TPR
ROC曲线的绘制
缘 源 园
04-18 9022
关于ROC曲线的绘制过程，通过以下举例进行说明 假设有6次展示记录，有两次被点击了，得到一个展示序列（1:1,2:0,3:1,4:0,5:0,6:0），前面的表示序号，后面的表示点击（1）或没有点击（0）。 然后在这6次展示的时候都通过model算出了点击的概率序列。 下面看三种情况。 1 曲线绘制 1.1 如果概率的序列是（1:0.9,2:0.7,3:0.8,4:0.6,5:0.5,6:0.4）。 与原来的序列一起，得到序列（从概率从高到低排） 1 1 0 0 0
画ROC曲线
flyfox73的博客
12-27 883
R软件：如何画ROC曲线 > install.packages("pROC")   安装pROC包 > install.packages("ggplot2")安装ggplot2包 library(pROC) #调用pROC包 library(ggplot2)  #安装ggplot包  data(aSAH)# 引入案例数据 View(aSAH) #展示案例数据   r...
利用Python画ROC曲线和AUC值计算
09-21
ROC曲线（Receiver Operating Characteristic Curve）是评估二分类模型性能的一种重要工具，它展示了不同阈值下真阳性率（True Positive Rate, TPR）与假阳性率（False Positive Rate, FPR）的关系。AUC（Area Under...
解决ROC曲线画出来只有一个点的问题
09-17
以上就是解决ROC曲线画出来只有一个点问题的关键所在。确保模型输出概率，并在计算和绘制ROC曲线时使用这些概率，将能得到一条反映模型性能的完整曲线。同时，AUC（Area Under the Curve）是ROC曲线下的面积，用于...
matlab绘制roc曲线,手把手画ROC曲线
weixin_33246767的博客
03-17 5224
假设现在有一个二分类问题，先引入两个概念：真正例率(TPR)：正例中预测为正例的比例假正例率(FPR)：反例中预测为正例的比例再假设样本数为6，现在有一个分类器1，它对样本的分类结果如下表(按预测值从大到小排序)标签预测值10.910.810.700.300.200.1ROC曲线的横轴为假正例率，纵轴为真正例率，范围都是[0,1]，现在我们开始画图——根据从大到小遍历预测值，把当前的预测值当做阈值...
如何绘制ROC曲线
XKira的专栏
04-28 2万+
机器学习 roc曲线 混淆矩阵
ROC曲线绘制
05-05
在MATLAB中绘制ROC曲线，可以对分类器的性能进行评价。
matlab画ROC曲线
08-31
使用matlab画ROC曲线，% predict - 分类器对测试集的分类结果 % ground_truth - 测试集的正确标签,这里只考虑二分类，即0和1 % auc - 返回ROC曲线的曲线下的面积
ROC曲线及Python绘制方法
m0_63518584的博客
10-04 5625
ROC的全名叫做Receiver Operating Characteristic，中文名“受试者工作特征曲线”，其主要分析工具是一个画在二维平面上的曲线——ROC 曲线。平面的横坐标是false positive rate(FPR)，纵坐标是true positive rate(TPR)。对某个分类器而言，我们可以根据其在测试样本上的表现得到一个TPR和FPR点对。这样，此分类器就可以映射成ROC平面上的一个点。
ROC曲线怎么绘制
haoshan4783的博客
07-23 295
[https://blog.youkuaiyun.com/xiaohuihui1994/article/details/87987836]
ROC曲线绘制（详细）以及模型选择
热门推荐
忘川的博客
11-24 9万+
在我们在讲解ROC曲线之前 首先要明确混淆矩阵的概念 如下图： 真正率 TPR：预测为正例且实际为正例的样本占所有正例样本（真实结果为正样本）的比例。 假正率 FPR：预测为正例但实际为负例的样本占所有负例样本（真实结果为负样本）的比例。 公式： 下面进入正题： 一 :ROC曲线简介 来自百度百科解释（讲了半天我也没看懂） 　　接受者操作特性曲线（receiver operating characteristic curve，简称ROC曲线），又称为感受性曲线（sensitivity curve）。得
手把手教你画ROC曲线
hellogril前端库
12-30 2010
step2：根据上表，选择阈值为0.9，正例中有1个样本的预测值大于等于1，反例中有0个，所以，TPR=1/3，FPR=0。step5：根据上表，选择阈值为0.3，正例中有3个样本的预测值大于等于1，反例中有1个，所以，TPR=1，FPR=1/3。step6：根据上表，选择阈值为0.2，正例中有3个样本的预测值大于等于1，反例中有2个，所以，TPR=1，FPR=2/3。step7：根据上表，选择阈值为0.1，正例中有3个样本的预测值大于等于1，反例中有3个，所以，TPR=1，FPR=1。
超详细的ROC曲线绘制教程
Mrrunsen的博客
08-24 6387
ROC曲线是临床中常用的统计分析之一，R中可以绘制ROC曲线的包也有很多，pROC包就是其中的佼佼者。pROC包可以计算AUC和95%置信区间，可以可视化、平滑和比较ROC曲线。下面是pROC包中的常用缩写灵敏度sensitivity。
画roc曲线
最新发布
07-26
<think>我们被要求使用Python绘制ROC曲线。ROC曲线是评估分类模型性能的重要工具，它展示了在不同阈值下真阳性率（TPR）与假阳性率（FPR）之间的关系。绘制ROC曲线通常涉及以下步骤： 1. 训练一个分类模型（这里假设已经训练好）。 2. 使用模型对测试集进行预测，得到预测概率（通常取正类的概率）。 3. 根据不同的阈值计算TPR和FPR。 4. 绘制ROC曲线，并计算AUC值。 引用中提供了多个示例代码，我们可以综合这些示例来编写代码。同时，我们需要注意，如果处理多分类问题，可以采用宏平均方法（如引用[3]所示）或二值化处理（如引用[1]所述）。但用户问题中没有明确是多分类还是二分类，我们先以二分类为例。 步骤： 1. 导入必要的库：numpy, matplotlib, sklearn中的roc_curve和auc。 2. 假设我们已有真实标签（y_test）和模型预测的概率（y_score，即属于正类的概率）。 3. 使用roc_curve计算fpr, tpr, thresholds。 4. 使用auc计算曲线下面积。 5. 绘制ROC曲线，并添加参考线（随机猜测的直线）。 下面我们编写一个二分类的ROC曲线绘制代码。如果是多分类，我们可以采用“一对多”策略，为每个类别绘制一条曲线，然后计算宏平均（macro-average）的ROC曲线（如引用[3]所示）。 由于用户问题没有提供具体数据，我们将使用一个示例数据集（比如sklearn自带的鸢尾花数据集）来演示二分类和多分类的情况。 我们先从二分类开始：</think>### 如何使用Python绘制ROC曲线 绘制ROC曲线是评估分类模型性能的重要方法，以下是详细步骤和代码示例： #### 一、核心概念 - **真阳性率(TPR)**：$TPR = \frac{TP}{TP+FN}$，表示实际为正例的样本中被正确预测的比例 - **假阳性率(FPR)**：$FPR = \frac{FP}{FP+TN}$，表示实际为负例的样本中被错误预测的比例 - **AUC值**：曲线下面积，取值范围$[0,1]$，值越大表示模型性能越好 #### 二、二分类任务绘制步骤 ```python # 1. 导入必要库 import numpy as np import matplotlib.pyplot as plt from sklearn.metrics import roc_curve, auc from sklearn.datasets import make_classification from sklearn.model_selection import train_test_split from sklearn.linear_model import LogisticRegression # 2. 生成示例数据 X, y = make_classification(n_samples=1000, random_state=42) X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=42) # 3. 训练模型并获取预测概率 model = LogisticRegression() model.fit(X_train, y_train) y_score = model.predict_proba(X_test)[:, 1] # 取正类概率 # 4. 计算ROC曲线数据 fpr, tpr, thresholds = roc_curve(y_test, y_score) roc_auc = auc(fpr, tpr) # 5. 绘制ROC曲线 plt.figure(figsize=(8, 6)) plt.plot(fpr, tpr, color='darkorange', lw=2, label=f'ROC曲线 (AUC = {roc_auc:.2f})') plt.plot([0, 1], [0, 1], 'k--', lw=2) # 随机猜测参考线 plt.xlim([0.0, 1.0]) plt.ylim([0.0, 1.05]) plt.xlabel('假阳性率 (FPR)') plt.ylabel('真阳性率 (TPR)') plt.title('ROC曲线示例') plt.legend(loc="lower right") plt.grid(True) plt.savefig('roc_curve.png', dpi=300) plt.show() ``` #### 三、多分类任务绘制方法（宏平均） ```python # 1. 导入多分类专用库 from sklearn.preprocessing import label_binarize from sklearn.multiclass import OneVsRestClassifier from sklearn.metrics import roc_auc_score # 2. 数据预处理（以3分类为例） y_bin = label_binarize(y, classes=[0, 1, 2]) # 二值化标签 n_classes = y_bin.shape[1] # 3. 训练多分类模型 model = OneVsRestClassifier(LogisticRegression()) y_score = model.fit(X_train, y_train).predict_proba(X_test) # 4. 计算各类别ROC数据 fpr, tpr, roc_auc = {}, {}, {} for i in range(n_classes): fpr[i], tpr[i], _ = roc_curve(y_bin[y_test][:, i], y_score[:, i]) roc_auc[i] = auc(fpr[i], tpr[i]) # 5. 计算宏平均ROC fpr["macro"], tpr["macro"], _ = roc_curve(y_bin[y_test].ravel(), y_score.ravel()) roc_auc["macro"] = auc(fpr["macro"], tpr["macro"]) # 6. 绘制宏平均ROC曲线 plt.plot(fpr["macro"], tpr["macro"], label=f'宏平均ROC (AUC={roc_auc["macro"]:.2f})', color='navy', linestyle=':', linewidth=4) ``` #### 四、关键参数说明 1. **`roc_curve`参数**： - `y_true`：真实标签（需为二进制格式） - `y_score`：模型预测的正类概率值 - `pos_label`：指定正类标签（默认为1） 2. **图形优化技巧**： - 调整`lw`参数控制曲线粗细 - 使用`color`参数设置颜色 - 添加`grid(True)`显示网格线 - 设置`dpi=300`保存高清图像 #### 五、结果解读要点 1. 曲线越靠近**左上角**（$FPR=0, TPR=1$）性能越好 2. AUC>0.9表示优秀模型，0.8-0.9表示良好，0.7-0.8表示一般 3. 对角线（$AUC=0.5$）代表随机猜测水平 4. 多分类任务中宏平均平等对待所有类别[^3] > 提示：对于不平衡数据集，建议同时绘制PR曲线作为补充评估[^1]。
评论 4
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
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