使用scikit学习的离散分类器的ROC曲线

Question

我在概念上理解scikit中的ROC功能如何产生真正的阳性和假阳性率。我使用了BC scikit学习数据并围绕2个随机特征构建了一个决策树。

from sklearn.datasets import load_breast_cancer
from sklearn.model_selection import train_test_split
from sklearn import tree
import numpy as np

data = load_breast_cancer()
X = data.data[:, [1,3]]
y = data.target

# Splitting data
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.33,random_state=0)

# Training tree
bc_tree = tree.DecisionTreeClassifier(criterion="entropy").fit(X_train, y_train)

# Predictions
bc_pred = bc_tree.predict(X_test)
# Score
bc_tree.score(X_test, y_test)

# Confusion matrix
from sklearn.metrics import confusion_matrix
metrics.confusion_matrix(y_test, bc_pred) # True positive = 0.83

# ROC curve
fpr_tree, tpr_tree, thresholds_tree = metrics.roc_curve(y_test, bc_pred)

# True positive rate ROC
tpr_tree # 0.91

混淆矩阵如下所示：

[[ 55,  12]
[ 11, 110]]

根据我的计算，真正的阳性率是：

55 /（55 + 11）= .83

根据scikit learn实施的ROC曲线，真阳性率为0.92。它是如何计算这个数字的，为什么我的计算不匹配？我错过了什么？

Answer 1

因为你推断confusion_matrix是错误的。

confusion_matrix返回的矩阵的格式为

List<MVCDemo.Models.Employee>

所以根据TPR的公式，该值应为110 /（110 + 11）= 0.9090 ......