Python sklearn roc_curve用法及代码示例

本文简要介绍python语言中 sklearn.metrics.roc_curve 的用法。

用法:

sklearn.metrics.roc_curve(y_true, y_score, *, pos_label=None, sample_weight=None, drop_intermediate=True)

计算接收器操作特性 (ROC)。

注意：此实现仅限于二进制分类任务。

在用户指南中阅读更多信息。

参数：

y_true：ndarray 形状 (n_samples,)

真正的二进制标签。如果标签不是 {-1, 1} 或 {0, 1}，则应明确给出 pos_label。

y_score：ndarray 形状 (n_samples,)

目标分数，可以是正类的概率估计、置信度值或决策的非阈值度量(如在某些分类器上由 “decision_function” 返回)。

pos_label：int 或 str，默认=无

正类的标签。当 pos_label=None 时，如果 y_true 在 {-1, 1} 或 {0, 1} 中，则 pos_label 设置为 1，否则将引发错误。

sample_weight：形状类似数组 (n_samples,)，默认=None

样本权重。

drop_intermediate：布尔，默认=真

是否删除一些不会出现在绘制的 ROC 曲线上的次优阈值。这对于创建更轻的 ROC 曲线很有用。

返回：

fpr：ndarray 形状 (>2,)

增加误报率，使得元素 i 是分数 >= thresholds[i] 的预测的误报率。

tpr：ndarray 形状 (>2,)

增加真阳性率，使得元素 i 是分数 >= thresholds[i] 的预测的真阳性率。

thresholds：ndarray 形状 = (n_thresholds,)

降低用于计算 fpr 和 tpr 的决策函数的阈值。 thresholds[0] 表示没有实例被预测并且被任意设置为 max(y_score) + 1 。

注意：

由于阈值是从低值到高值排序的，因此在返回它们时它们会被反转，以确保它们对应于 fpr 和 tpr ，它们在计算过程中以相反的顺序排序。

参考：

1

接收器操作特性的维基百科条目

2

Fawcett T. ROC 分析导论[J].模式识别快报，2006，27(8)：861-874。

例子：

>>> 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. , 0.5, 0.5, 1. ])
>>> tpr
array([0. , 0.5, 0.5, 1. , 1. ])
>>> thresholds
array([1.8 , 0.8 , 0.4 , 0.35, 0.1 ])