这是代码和输出，我认为从输出来看，这意味着当fpr为0，tpr为0时，这是正确的，因为预测结果将所有内容标记为0。
但是输出也说，当fpr为1时，tpr也是1.我认为它不正确，因为预测器永远不会预测某些东西是积极的（标签是$(document).ready(function(){
OpenModel();
});
function OpenModel() {
$("#dialog").dialog({
modal: true,
title: fileName,
width: 600,
height: 600,
buttons: {
Close: function () {
$(this).dialog('close');
}
},
open: function () {
var object = "<object data=\"{FileName}\" type=\"application/pdf\" width=\"700px\" height=\"700px\">";
object += "If you are unable to view file, you can download from <a href = \"{FileName}\">here</a>";
object += "</object>";
object = object.replace(/{FileName}/g, "Doc/Demo.pdf");
$("#dialog").html(object);
}
});
});
），那么怎么可能fpr（=正确预测的＃1 /总＃1）和tpr（= 1的预测数＃/ 0的总数）都是1？
1输出，
import numpy as np
from sklearn import metrics
y = np.array([0, 0, 0, 0, 0, 0, 0, 0, 0, 1])
pred = np.array([0, 0, 0, 0, 0, 0, 0, 0, 0, 0])
fpr, tpr, thresholds = metrics.roc_curve(y, pred)
print fpr
print tpr
print thresholds
print metrics.auc(fpr, tpr)
答案 0 :(得分：3)
这两个插图可以让您更好地理解如何计算 FPR 和 TPR 。
<强> 案例-1：
y = np.array([0, 0, 0, 0, 0, 0, 0, 0, 0, 1])
pred = np.array([0, 0, 0, 0, 0, 0, 0, 0, 0, 0])
# -^- see the change here
正面肯定= 0
误报= 0
真负值= 9
假阴性= 1
真正正比率，（tpr）=真正正/（正正+假负）
因此， tpr = 0 /（0 + 1）= 0。
误报率，（fpr）=误报/（假阳性+真阴性）
因此， fpr = 0 /（0 + 9）= 0。
#Output:
fpr → [ 0. 1.]
tpr → [ 0. 1.]
<强> 案例-2：
y = np.array([0, 0, 0, 0, 0, 0, 0, 0, 0, 1])
pred = np.array([0, 0, 0, 0, 0, 0, 0, 0, 0, 1])
# -^- see the change here
正面肯定= 1
误报= 0
真负值= 9
假阴性= 0
真正正比率，（tpr）=真正正/（正正+假负）
因此， tpr = 1 /（1 + 0）= 1。
误报率，（fpr）=误报/（假阳性+真阴性）
因此， fpr = 0 /（0 + 9）= 0。
#Output:
fpr → [ 0. 1.]
tpr → [ 1. 1.]
注意：
根据roc_curve documentation，明确指出阈值[0]表示没有预测的实例，并且任意设置为max(pred)+1。
[这里，二进制分类任务2]
当计算的fpr和tpr变为分数且无法量化为0或1时，此变为有效。因此，threshold从0,1,2变化。
例如，当pred数组的最后2个值变为1时，您将获得阈值的3个值fpr，tpr变为小数值。
但在我们的案例中，fpr和tpr都是0或1，因此不需要threshold的第三个值。
此外，fpr和tpr中的数组元素形成递增序列，即从0→1变化并且必须满足形状＆gt; = 2.因此，必须同时具有数组中的0和1作为起始值和终值。
包含fpr和tpr的小数值，中间列将包含数组两侧的0和1括起来的值。