sklearn.metrics.roc_curve使用说明

roc曲线是机器学习中十分重要的一种学习器评估准则，在sklearn中有完整的实现，api函数为sklearn.metrics.roc_curve(params)函数。

官方接口说明：http://scikit-learn.org/stable/modules/generated/sklearn.metrics.roc_curve.html

不过这个接口只限于进行二分类任务。！

下面主要是对官方接口做一下翻译。

接口函数 sklearn.metrics.roc_curve(y_true, y_score, pos_label=None, sample_weight=None, drop_intermediate=True)

参数说明

　　　　y_true：数组，存储数据的标签，维度就是样本数，形如[0,1,1,0,1...]这样的，也可以是-1和1，只要有两个值

　　　　y_score：数组，存储数据的预测概率值，维度也是样本数，形如[0.38,0.5,0.8]这样的

　　　　pos_label：整型或字符串，当y_true中只有一个值时，比如都是1或者都是0，无法判断哪个是正样本，需要用一个数字或字符串指出

　　　　sample_weight：采样权重，这个官方没有仔细说，是一个可选参数，有待考察

　　　　drop_intermediate：丢掉一些阈值，以便画roc曲线图

返回值：一共三个，分别是fpr,tpr,thresholds

　　　　fpr：数组，随阈值上涨的假阳性率

　　　　tpr：数组，随阈值上涨的真正例率

　　　　thresholds：数组，对预测值排序后的score列表，作为阈值，排序从大到小

举例

>>> import numpy as np
>>> from sklearn import metrics
>>> y = np.array([1, 1, 2, 2])
>>> scores = np.array([0.1, 0.4, 0.35, 0.8])
>>> fpr, tpr, thresholds = metrics.roc_curve(y, scores, pos_label=2)
>>> fpr
array([ 0. ,  0.5,  0.5,  1. ])
>>> tpr
array([ 0.5,  0.5,  1. ,  1. ])
>>> thresholds
array([ 0.8 ,  0.4 ,  0.35,  0.1 ])

解释一下，样本标签为y，共有1和2两个值，预测值为scores，里面是预测为正样本的概率，正样本是什么呢，在函数中通过pos_label指定为2，然后便将score排序，

由大到小，也就有了后面的thresholds，按照这个顺序，依次将前面的样本预测为正样本，后面为负样本，这里看一下样本标签和预测值的一一对应

[1,1,2,2]->[0.1,0.4,0.35,0.8]，共有两个正样本，两个负样本

以0.8为阈值，第一个假设为正样本，后面三个假设为负样本，0.8对应的确实为正样本，则真正例率为1/2，假阳性率为0，因为没有负样本被误判为正样本

然后以0.4为阈值，前两个假设为正样本，后两个假设为负样本，0.4对应的为负样本，则真正例数没有增加，于是仍为0.5，而假阳性增加一例，此时假阳性率为1/2

后面的依此类推，这就是这个api的基本使用说明。

补充下：tpr=tp/所有正样本，fpr=fp/所有负样本

转载于:https://www.cnblogs.com/wzyuan/p/9440017.html

sklearn.metrics.roc_curve使用说明相关推荐

curve函数 roc_sklearn.metrics.roc_curve使用说明
roc曲线是机器学习中十分重要的一种学习器评估准则,在sklearn中有完整的实现,api函数为sklearn.metrics.roc_curve(params)函数. 不过这个接口只限于进行二分类任 ...
sklearn.metrics.roc_curve
官方网址:http://scikit-learn.org/stable/modules/classes.html#module-sklearn.metrics 首先认识单词:metrics: ['mɛ ...
sklearn.metrics.roc_curve解析
官方网址:http://scikit-learn.org/stable/modules/classes.html#module-sklearn.metrics 首先认识单词:metrics: ['m ...
sklearn.metrics.roc_curve使用简要说明
sklearn.metrics.roc_curve使用简要说明一.背景说明二.TP.TN.FP.FN概念四.roc_curve运行机制简单剖析 4.1.roc_curve简单介绍 4.1.1 重 ...
sklearn.metrics中的评估方法介绍（accuracy_score, recall_score, roc_curve, roc_auc_score, confusion_matrix）
accuracy_score 分类准确率分数是指所有分类正确的百分比.分类准确率这一衡量分类器的标准比较容易理解,但是它不能告诉你响应值的潜在分布,并且它也不能告诉你分类器犯错的类型. 形式: skl ...
sequential模型编译时的指标设置：sklearn.metrics:指标
sklearn.metrics: Metrics 官网是最好的学习区. See the Model evaluation: quantifying the quality of predictions ...
Python sklearn机器学习各种评价指标——Sklearn.metrics简介及应用示例
Python Sklearn.metrics 简介及应用示例利用Python进行各种机器学习算法的实现时,经常会用到sklearn(scikit-learn)这个模块/库. 无论利用机器学习算法进行 ...
sklearn.metrics 用法详解
1. 用法概览 1.1 分类函数功能 metrics.accuracy_score 准确率 metrics.balanced_accuracy_score 在类别不均衡的数据集中,计算加权准确率 ...
不平衡多分类问题模型评估指标探讨与sklearn.metrics实践
我们在用机器学习.深度学习建模.训练模型过程中,需要对我们模型进行评估.评价,并依据评估结果决策下一步工作策略,常用的评估指标有准确率.精准率.召回率.F1分数.ROC.AUC.MAE.MSE等等,本 ...
Sklearn.metrics函数
Python Sklearn.metrics 简介及应用示例利用Python进行各种机器学习算法的实现时,经常会用到sklearn(scikit-learn)这个模块/库. 无论利用机器学习算法进行 ...

sklearn.metrics.roc_curve使用说明

sklearn.metrics.roc_curve使用说明相关推荐

最新文章

热门文章