python计算auc指标

1.安装scikit-learn

1.1Scikit-learn 依赖

• Python (>= 2.7 or >= 3.3),
• NumPy (>= 1.8.2),
• SciPy (>= 0.13.3).

分别查看上述三个依赖的版本，

python -V        结果：Python 2.7.3
　　python -c 'import scipy; print scipy.version.version'    scipy版本结果：0.9.0
       python -c "import numpy; print numpy.version.version"   numpy结果：1.10.2

　　查看包安装路径：python -c 'import scipy; print scipy.__file__'

1.2 Scikit-learn安装
       如果你已经安装了NumPy、SciPy和python并且均满足1.1中所需的条件，那么可以直接运行sudo pip install -U scikit-learn 执行安装，这个命令安装的是最新版本的scikit-learn。

　　如果你的Scipy版本和我的一样，是0.9.0版本，在不升级scipy版本的情况下，可以指定安装scikit-learn低版本（例如：0.17版本）：sudo pip --default-timeout=500 install -U scikit-learn==0.17.0。这样就不会造成高版本的scikit-learn不兼容低版本的Scipy问题。

　　在pip安装的过程中，--default-timeout=500设定可以解决网络问题引起的ssl认证失败的问题，通过pip install -h命令得知默认超时时间是15s。

2.计算auc指标

 import numpy as np
 from sklearn.metrics import roc_auc_score
 y_true = np.array([0, 0, 1, 1])
 y_scores = np.array([0.1, 0.4, 0.35, 0.8])
 roc_auc_score(y_true, y_scores)

输出：0.75

3.计算roc曲线

 import numpy as np
 from sklearn import metrics
 y = np.array([1, 1, 2, 2])   #实际值
 scores = np.array([0.1, 0.4, 0.35, 0.8])  #预测值
 fpr, tpr, thresholds = metrics.roc_curve(y, scores, pos_label=2)  #pos_label=2，表示值为2的实际值为正样本
 print fpr
 print tpr
 print thresholds

输出：
array([ 0. ,  0.5,  0.5,  1. ])
array([ 0.5,  0.5,  1. ,  1. ])
array([ 0.8 ,  0.4 ,  0.35,  0.1 ])