roc曲線是根據一系列不同的二分類方式（分界值或決定閾），以真正率（也就是靈敏度）（true positive rate,tpr）為縱座標，假正率（1-特效性）（false positive rate,fpr）為橫座標繪製的曲線。通過將連續變數設定出多個不同的臨界值，從而計算出一系列敏感性和特異性，從而可以繪製roc曲線。
縱座標：真正率（true positive rate , tpr）或靈敏度（sensitivity）
tpr = tp /（tp + fn） （正樣本**結果數 / 正樣本實際數）
橫座標：假正率（false positive rate , fpr）
fpr = fp /（fp + tn） （被**為正的負樣本結果數 /負樣本實際數）
利用sklearn.metrics.roc_curve可以計算roc曲線
from sklearn.metrics import roc_curve, auc
y_true = [0, 1, 1]
y_score = [0.1, 0.8, 0.7]
fpr, tpr, thresholds = roc_curve(y_true, y_score)
print(fpr, tpr, thresholds)
"""[0. 0. 0. 1.]
[0. 0.5 1. 1. ]
[1.8 0.8 0.7 0.1]
"""
在這個例子中，正樣本實際數（tp + fn）=2，負樣本實際數（fp + tn）=1
計算出roc曲線後，可以利用sklearn.metrics.auc計算auc：
from sklearn.metrics import roc_curve, auc
y_true = [0, 1, 1]
y_score = [0.1, 0.8, 0.7]
fpr, tpr, thresholds = roc_curve(y_true, y_score)
print(auc(fpr, tpr))
python 繪製ROC曲線
簡述 機器學習很多是為測試樣本產生乙個 值，然後將這個 值與閾值進行對比，若大於閾值則分為正類，否則分為反類。這個 值的好壞，直接決定了學習器泛化能力。根據這個 值，我們可以對測試樣本進行排序，最可能 是正例的排在最前面，最不可能 是正例的排在最後面。這樣，分類過程就相當於在這個排序中以某個截斷點將...
ROC曲線及其matlab實現ROC曲線的繪畫
roc曲線 receiver operating characteristic curve 是利用classification模型真正率 true positive rate 和假正率 false positive rate 作為座標軸，圖形化表示分類方法的準確率的高低。roc圖的一些概念定義 真正...
ROC曲線 PR曲線
在 的結果分析中，roc和pr曲線是經常用到的兩個有力的展示圖。1.roc曲線 roc曲線 receiver operating characteristic 是一種對於靈敏度進行描述的功能影象。roc曲線可以通過描述真陽性率 tpr 和假陽性率 fpr 來實現。由於是通過比較兩個操作特徵 tpr和...