roc曲線的橫軸就是fprate，縱軸就是tprate，二者相等時表示的意義則是：對於不論真實類別是1還是0的樣本，分類器**為1的概率是相等的，此時auc為0.5
圖中藍色的線則是roc曲線，roc曲線和橫軸、縱軸圍成的面積就是auc指標。
fpr = fp / (fp + tn)
from sklearn.metrics import roc_auc_score
sklearn.metrics.roc_auc_score(y_true,y_score)
計算roc曲線的面積，即auc的值
y_true：每個樣本的真實類別，必須為0（反例），1（正例）標記
y_score：**得分，可以是正常的估計概率、置信值或者分類器方法的返回值
ROC曲線及AUC評價指標
很多時候，我們希望對乙個二值分類器的效能進行評價，auc正是這樣一種用來度量分類模型好壞的乙個標準。現實中樣本在不同類別上的不均衡分布 class distribution imbalance problem 使得accuracy這樣的傳統的度量標準不能恰當的反應分類器的效能。舉個例子 測試樣本中有...
ROC曲線和AUC面積
本博文所有理論都是基於二分類，多分類問題其實與二分類問題相通。考慮乙個二分問題，如果一類定為正類 positive 那麼另一類就是負類 negative 注意和正樣本和負樣本概念不同，參考博文 真正類 true positive 例項是正類並且也被 成正類 假正類 false positive 例項...
AUC和ROC曲線的前世今生
auc數值即為roc曲線下的面積。roc曲線從0點開始上公升越快，說明模型錯分正樣本的比例越小，模型對正樣本識別的能力越強。在roc曲線的基礎上，拋開閾值的調節，roc曲線下半部分的面積值就是auc值。auc值介於0到1之間，是一種概率值。本質上auc是在模型 的資料集中，比較正負樣本，評估正樣本分...