python中sklearn包计算AUC——sklearn.metrics.auc函数解析

python中sklearn包计算AUC——sklearn.metrics.auc函数解析

代码示例：

 

sklearn.metrics.auc函数的输入是FPR和TPR的值，即ROC曲线中的真阳性率（true positive rate）和假阳性率（false positive rate）。得到的输出结果是一个float格式的数值，代指ROC曲线下的面积（AUC的值）。

python所给的代码示例中用到了metrics.roc_curve函数，这个函数主要是用来计算ROC曲线面积的;

在这里的输入参数有三个：

第一个参数是一个二进制数组y，代表“真”或“假”，默认为0或者1的二进制数组，如果不是以0或者1 表明，则必须在第三个参数pos_label处表明；

第二个参数是一个数组，代表目标得分，可以是积极类的概率估计，信心值，或者是决定的非阈值度量；

第三个参数pos_label代表二进制数组y中代表“真”的二进制编码，其他的编码都会被认为是

在示例中，0.1就是指第一个数预测为阳性的概率为0.1，很显然，y 和 pred应该有相同多的元素，都等于样本数。pos_label=2 是指在y中标签为2的是标准阳性标签，其余值是阴性。

所以在标准值y中，阳性有2个，后两个；阴性有2个，前两个。

接下来选取一个阈值计算TPR/FPR,阈值的选取规则是在scores值中从大到小的以此选取，于是第一个选取的阈值是0.8

scores中大于阈值的就是预测为阳性，小于的预测为阴性。所以预测的值设为y=(0,0,0,1),0代表预测为阴性，1代表预测为阳性（实际应该是0，0，1，1）。可以看出，真阴性（TN=2）都被预测为阴性（FP=0），真阳性（TP=1）有一个预测为假阴性（FN=1）了。

FPR = FP / (FP+TN) = 0 /( 0 + 2) = 0

TPR = TP/ (TP + FN) = 1 / (1 + 1) = 0.5

thresholds = 0.8

接下来依次以0.4，0.35，0.1作为阈值预测，分别得到三组（FPR，TPR）的值。我们得到的fpr和tpr（即metrics.auc的输出）分别是一个数组。

这里计算的结果是：

fpr[0,0.5,0.5,1]

tpr[0.5 0.5 1 1]

将fpr和tpr输入sklearn.auc函数，即求取（0，0.5）、（0.5，0.5）、（0.5，1）、（1，1）折线的定积分面积，AUC面积很直观是0.75，即auc函数的输出值。