分类器评估方法：ROC曲线

注：本文是人工智能研究网的学习笔记

ROC是什么

二元分类器（binary classifier）的分类结果

ROC空间

最好的预测模型在左上角，代表100%的灵敏度和0%的虚警率，被称为完美分类器。

一个随机猜测模型。会给出从左下角到右上角的沿着对角线的点（对角线被称作line of no-discrimation）。

对角线上的的点代表了好的分配结果，对角线以下的点代表不好的分配结果，但是可以通过翻转变成好的分类器。

绘制ROC曲线

AUC--ROC曲线下的面积

当曲线差不多时，求面积， 新的研究表名，AUC曲线存在一些问题。

roc_curve模块

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

参数：

• y_true: 真正的二元类标签，如果不是二元分类，需要使用pos_label显式的指明。
• y_score： 预测得分
• pos_label: 多分类的时候，指定将哪一个看成正样本，默认是None。
• drop_intermediate: 指定是否丢弃一些次优的阈值，将不会再roc曲线上显示。曲线较多的时候，可以使用。

返回值：

• fpr：array,shape=[>2]不断增长的虚警率（假正率）
• tpr：array,shape=[>2]不断增长的真正率
• thresholds：array,shape=[n_thresholds]阈值

from sklearn.metrics import roc_curve,roc_auc_score
y = np.array([1,1,2,2])
scores = np.array([0.1, 0.4, 0.35, 0.8])
fpr, tpr, thresholds = roc_curve(y, scores, pos_label=2)
print(fpr)
print(tpr)
print(thresholds)