如今#xff0c;ROC

曲线已经被广泛应用于机器学习领域的模型评估#xff0c;说…前言

ROC

曲线是一种坐标图式的分析工具是由二战中的电子和雷达工程师发明的发明之初是用来侦测敌军飞机、船舰后来被应用于医学、生物学、犯罪心理学。

如今ROC

曲线已经被广泛应用于机器学习领域的模型评估说到这里就不得不提到

Tom

二值分类器就是字面意思它会将数据分成两个类别(正/负样本)。

例如预测银行用户是否会违约、内容分为违规和不违规以及广告过滤、图片分类等场景。

篇幅关系这里不做多分类

ROC

不是一条曲线吗讲了这么多它到底应该怎么画呢下面将分为两部分讲解如何绘制

ROC

id真实标签预测分数id真实标签预测分数11.9111.421.8120.3930.7131.3841.6140.3751.55150.3661.54160.3570.53171.3480.52180.3391.51191.30100.505200.1

当设定阈值为

曲线前需要将预测分数从大到小排序然后将预测分数依次设定为阈值分别计算

FPR

pos_label):y_true真实标签y_score模型预测分数pos_label正样本标签如“1”#

统计正样本和负样本的个数num_positive_examples

(y_true

pos_label).sum()num_negtive_examples

len(y_true)

num_negtive_examples)tpr.append(tp

num_positive_examples)thresholds.append(score)score

y_score[i]if

num_negtive_examples)tpr.append(tp

num_positive_examples)thresholds.append(score)return

fpr,

的基础知识部分就全部讲完了如果还想深入了解的同学可以继续往下看。

ROC

TPR):samples选取FPR点的个数FPR包含所有FPR的列表TPR包含所有TPR的列表nrocs

len(FPR)tpravg

THRESHOLDS):samples选取FPR点的个数FPR包含所有FPR的列表TPR包含所有TPR的列表THRESHOLDS包含所有THRESHOLDS的列表nrocs

len(FPR)T

thresholds:T.append(t)T.sort(reverseTrue)for

tidx

计算平均的fpr和tprfpravg.append(fprsum

nrocs)return

曲线算法包含算法原理、公式、计算、源码实现和讲解希望能够帮助读者一口气搞懂

ROC

analysis》[4]并将论文的内容抽丝剥茧、配上通俗易懂的

Python