sklearn中的metrics.roc_auc

参数说明

from sklearn.metrics import roc_auc_score

roc_auc_score(y_true, y_score, *, average='macro', sample_weight=None,
max_fpr=None, multi_class='raise', labels=None)
计算曲线ROC的面积

- Parameters(参数)
   y_true : array-like of shape (n_samples,) or (n_samples, n_classes)
   真实数据
   二分类和多分类需要带有shape (n_samples)的标签，而多标签情况需要带有shape (n_samples, n_classes)
   的二进制标签。

y_score : array-like of shape (n_samples,) or (n_samples, n_classes)
   预测结果数据
   1.在二分类的情况下，它对应于形状数组（n_samples，），可以提供概率估计和非阈值决策值
   概率估计值对应于具有更大标签的类别的概率，即estimator.classes_ [1]，
   因此是estimator.predict_proba（X，y）[:, 1]。
   决策值对应于estimator.decision_function（X，y）的输出。
   2.在多分类情况下，它对应于由predict_proba方法提供的概率估计的形状数组（n_samples，n_classes）
   每个sample概率估计值为1；此外，每一个sample的概率估计值的顺序必须与y_true中标签的顺序相对应。
   3.在多标签情况下，它对应于一个形状数组（n_samples，n_classes）。
   概率估计由predict_proba方法提供，非阈值决策值由decision_function方法提供。

average : {‘micro’, ‘macro’, ‘samples’, ‘weighted’} or None, default=’macro’
   当y_true是二进制时，这个参数将被忽略
   'macro':简单地计算 binary metrics （二分指标）的平均值，赋予每个类别相同的权重
   'micro':给每个 sample-class pair （样本类对）对 overall metric （总体指数）
   （sample-class 权重的结果除外）等同的贡献。除了对每个类别的 metric 进行求和之外，这
   个总和构成每个类别度量的 dividends （除数）和 divisors （除数）计算一个整体商。在
   multilabel settings （多标签设置）中，Micro-averaging 可能是优先选择的，包括要忽略
   majority class （多数类）的 multiclass classification （多类分类）
   'weighted': 通过计算其在真实数据样本中的存在来对每个类的 score 进行加权的 binary metrics （二分指标）
   的平均值来计算类不平衡。
   'samples':仅适用于多标签问题。它不计算每个类别的 measure，而是计算评估数据中的每个样本
   的真实和预测类别的 metric （指标），并返回 (sample_weight-weighted) 加权平均。
   sample_weight :array-like of shape (n_samples,), default=None
   样品权重

sample_weight : array-like of shape (n_samples,), default=None
   如果不为None，则返回范围为[0，max_fpr]的标准化部分AUC
   对于多分类情况，max_fpr应该等于None或1.0

multi_class:{‘raise’, ‘ovr’, ‘ovo’}, default=’raise’
   仅用于多分类，默认值会引发错误，因此必须显式传递'ovr'或'ovo'
   'ovr':一对多
   'ovo':一对一
   这两个概念想了解的参考为2.逻辑回归部分

labels : array-like of shape (n_classes,), default=None
   仅用于多分类，标签列表索引了y_score中的类，如果为None，则使用y_true中标签的数字或字典顺序

- 返回
   AUC值

获取auc的方式

二分类：

from sklearn.datasets import load_breast_cancer
from sklearn.linear_model import LogisticRegression
from sklearn.metrics import roc_auc_score
X, y = load_breast_cancer(return_X_y=True)
clf = LogisticRegression(solver="liblinear", random_state=0).fit(X, y)from sklearn.metrics import roc_auc_score
#方式一
roc_auc_score(y, clf.predict_proba(X)[:, 1])
#方式二
roc_auc_score(y, clf.decision_function(X))

多分类：

from sklearn.datasets import load_irisX, y = load_iris(return_X_y=True)
clf = LogisticRegression(solver="liblinear").fit(X, y)
clf.predict_proba(X)   from sklearn.metrics import roc_auc_score
#multi_class='ovr'
roc_auc_score(y, clf.predict_proba(X), multi_class='ovr')

2.4 sklearn中的metrics.roc_auc_score评价指标_哎呦-_-不错的博客-CSDN博客_metrics.roc_auc_score

sklearn中的metrics.roc_auc_score评价指标相关推荐

sklearn中的metrics
文章目录 MSE 交叉验证准确率.精度.召回率.F1.AUC 准确率混淆矩阵精度.召回率.F1 ROC & AUC 阈值衡量.ROC曲线阈值选择 ROC曲线多分类的metrix问题, ...
sklearn中的支持向量机SVM（下）
1 二分类SVC的进阶 1.1 SVC用于二分类的原理复习 sklearn中的支持向量机SVM(上) 1.2 参数C的理解进阶有一些数据,可能是线性可分的,但在线性可分状况下训练准确率不能达到100 ...
02_混淆矩阵、准确率（Accuracy）、精确率(Precision)、召回率(Recall)、F值(F-Measure) +Roc曲线和PR曲线+sklearn中分类模型评估API+ 自己补充整理
此博文参考: 关于ROC绘制参考博文: https://blog.csdn.net/u011630575/article/details/80250177 Python+ROC相关的博文: https ...
sklearn中的聚类算法K-Means
1 概述 1.1 无监督学习与聚类算法决策树.随机森林.逻辑回归虽然有着不同的功能,但却都属于"有监督学习"的一部分,即是说,模型在训练的时候,既需要特征矩阵XXX,也需要真实标 ...
sklearn中一些参数
转载:http://www.cnblogs.com/chenyaling/p/7826229.html 1.监督学习 1.1.广义线性模型 1.1.1.普通最小二乘法 class sklearn.l ...
sklearn中的朴素贝叶斯
1 概述 1.1 真正的概率分类器在许多分类算法应用中,特征和标签之间的关系并非是决定性的.如想预测一个人究竟是否能在泰坦尼克号海难中生存下来,可以建一棵决策树来学习训练集.在训练中,其中一个人的特 ...
机器学习｜ Sklearn中的朴素贝叶斯全解
前期文章介绍了朴素贝叶斯理论,掌握理论后如何去使用它,是数据挖掘工作者需要掌握的实操技能,下面来看看Sklearn中都有哪些朴素贝叶斯. 朴素贝叶斯是运用训练数据学习联合概率分布及 ,然后求得后验概 ...
sklearn中的xgboost_xgboost来了
一.xgboost前奏 1,介绍一下啥是xgboost XGBoost全称是eXtreme Gradient Boosting,即极限梯度提升算法.它由陈天奇所设计,致力于让提升树突破自身的计算极限, ...
Sklearn中的CV与KFold详解
关于交叉验证,我在之前的文章中已经进行了简单的介绍,而现在我们则通过几个更加详尽的例子.详细的介绍 CV %matplotlib inline import numpy as np from skle ...

sklearn中的metrics.roc_auc_score评价指标

sklearn中的metrics.roc_auc_score评价指标相关推荐

最新文章

热门文章