分類器評估方法：ROC曲線

注：本文是人工智能研究網的學習筆記

ROC是什麼

二元分類器（binary classifier）的分類結果

ROC空間

最好的預測模型在左上角，表明100%的靈敏度和0%的虛警率，被稱爲完美分類器。

一個隨機猜想模型。會給出從左下角到右上角的沿着對角線的點（對角線被稱做line of no-discrimation）。

對角線上的的點表明了好的分配結果，對角線如下的點表明很差的分配結果，可是能夠經過翻轉變成好的分類器。

繪製ROC曲線

AUC--ROC曲線下的面積

當曲線差很少時，求面積， 新的研究表名，AUC曲線存在一些問題。

roc_curve模塊

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

參數：

• y_true: 真正的二元類標籤，若是不是二元分類，須要使用pos_label顯式的指明。
• y_score： 預測得分
• pos_label: 多分類的時候，指定將哪個當作正樣本，默認是None。
• drop_intermediate: 指定是否丟棄一些次優的閾值，將不會再roc曲線上顯示。曲線較多的時候，能夠使用。

返回值：

• fpr：array,shape=[>2]不斷增加的虛警率（假正率）
• tpr：array,shape=[>2]不斷增加的真正率
• thresholds：array,shape=[n_thresholds]閾值

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)