Python应用|ROC曲线，AUC计算及代码

最新推荐文章于 2025-04-18 15:28:33 发布

SumIris

最新推荐文章于 2025-04-18 15:28:33 发布

阅读量9k

点赞数 6

分类专栏： Python 文章标签： python 机器学习

本文链接：https://blog.youkuaiyun.com/weixin_44830815/article/details/105539747

版权

本文介绍了ROC曲线和AUC的概念，ROC曲线用于评估分类模型性能，AUC值越大表示模型效果越好。文章详细阐述了真正例、假正例等基本概念，并提供了Python使用sklearn.metrics进行ROC曲线绘制和AUC值计算的实践方法，包括相关代码示例和数据来源。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

这是我最近应聘某家互联网公司时遇到的笔试题：用Python或者R绘制ROC曲线并计算AUC.

1. 基本介绍

##1.1 ROC
Receiver Operating Characteristic，评判分类模型性能的方法，通过画在二维平面的曲线表示，横坐标为FPR（false positive rate,0~1）,纵坐标为TPR（true positive rate,0~1）。

1.2 AUC

Area Under Curve，ROC曲线下面的面积，用来度量分类模型好坏的一个标准，值越大则分类模型效果越好。

针对二分类的问题，实例一般分为正类和负类，但通常还会被被分为以下四种情况：
（1）真正类(TP)：实例是正类，被预测为正类；
（2）假负类(FN)：实例是正类，被预测为负类；
（1）假正类(FP)：实例是负类，被预测为正类；
（2）真负类(TN)：实例是负类，被预测为负类。

1.3 ROC坐标点

横坐标(真正率)：FPR=FP/(FP+TN)
纵坐标(假正率)：TPR=TP/(TP+FN)
理想坐标点：TRP=1, FRP=0.

2. Python实现

主要需要理解sklearn.metrics有roc_curve, auc两个函数。
（1）ROC曲线绘制：

FPR,TPR,threshold=roc_curve(test,score,pos_label=1)

其中：

FPR：横坐标值
TPR：纵坐标值
threshold：阈值
test：测试集的结果
score：测试集预测的结果
pos_label=1：测试集值为1的是正类，其余为负类

（2）AUC值计算：

最低0.47元/天解锁文章