【sklearn】性能度量指标之ROC曲线（二分类）

最新推荐文章于 2024-04-16 15:59:17 发布

转载最新推荐文章于 2024-04-16 15:59:17 发布 · 407 阅读

0 ·

CC 4.0 BY-SA版权

原文链接：http://www.cnblogs.com/wanglei5205/p/8643372.html

文章标签：

#人工智能 #python

本文详细介绍了ROC曲线的概念及其在二分类任务中的应用，并解释了TPR和FPR的意义。此外，还提供了绘制ROC曲线的具体步骤及Python示例代码。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

原创博文，转载请注明出处！

1.ROC曲线介绍

ROC曲线适用场景
- 二分类任务中，positive和negtive同样重要时，适合用ROC曲线评价

ROC曲线的意义
- TPR的增长是以FPR的增长为代价

2.ROC曲线绘制

纵坐标为TPR
- TPR(True Positive Rate)真正确率，即模型正确识别正例的比例,TPR=TP/(TP+FN)
横坐标为FPR
- FPR(False Positive Rate)假正确率，即模型错误将反例识别为正例的比例,FPR=FP/(FP+TN)
ROC曲线的绘制过程
- 给定m个正例和n个反例。首先，根据学习器预测结果对样本排序；然后，先把所有样本均预测为反例，再一次将每个样本划分为正例（阈值从大到小的过程）。

3.sklearn中roc曲线

  1 from sklearn.metrics import roc_curve
  2 tpr,fpr,thresholds = roc_curve(y_test,y_pred)
  3 
  4 import matplotlib.pyplot as plt
  5 plt.plot(fpr, tpr)
  6 plt.xlim([0.0, 1.0])
  7 plt.ylim([0.0, 1.0])
  8 plt.title('ROC curve for diabetes classifier')
  9 plt.xlabel('False Positive Rate (1 - Specificity)')
 10 plt.ylabel('True Positive Rate (Sensitivity)')
 11 plt.grid(True)