Question

var worlds = await getWorlds();
Worlds.AddRange(worlds.SelectMany(w=>w));

来自https://en.wikipedia.org/wiki/Sensitivity_and_specificity：

import matplotlib.pyplot as plt
from sklearn.metrics import roc_curve, auc , roc_auc_score
import numpy as np

correct_classification = np.array([0,1])
predicted_classification = np.array([1,1])

false_positive_rate, true_positive_rate, tresholds = roc_curve(correct_classification, predicted_classification)

print(false_positive_rate)
print(true_positive_rate)

我正在使用以下值0：生病，1：健康

来自https://en.wikipedia.org/wiki/False_positive_rate：

flase阳性率=假阳性/（假阳性+真阴性）

假阳性数：0 真阴性数：1

因此误报率= 0/0 + 1 = 0

读取roc_curve（http://scikit-learn.org/stable/modules/generated/sklearn.metrics.roc_curve.html#sklearn.metrics.roc_curve）的返回值：

fpr：数组，形状= [> 2]

增加误判率，使元素i为假   得分> =阈值[i]的预测的阳性率。

tpr：数组，形状= [> 2]

增加真实正利率，使元素i为真实   得分> =阈值[i]的预测的阳性率。

阈值：数组，形状= [n_thresholds]

用于计算fpr和   tpr。 thresholds [0]表示未预测任何实例，并且为   任意设置为max（y_score）+1。

这与我手动计算误报率有何不同？阈值如何设置？此处提供了一些有关阈值的模式信息：https://datascience.stackexchange.com/questions/806/advantages-of-auc-vs-standard-accuracy，但我对它如何适合此实现感到困惑？

Answer 1

在上面的演示中，阈值为橙色条。类00的分布为红色（分类器的输出），类1的分布为蓝色（相同，分类器的输出的proba分布）。它适用于处于一个类别或另一个类别中的概率：如果一个样本的输出为[0.34,0.66]，则即使0.66的概率更高，类别1的阈值0.25也会将他置于类别1中。 / p>

您不必使用类来处理ROC曲线，而要使用类的基础。

我希望它能回答这个问题（对不起，如果需要的话，我会更加准确）

Answer 2

首先，维基百科正在考虑生病= 1。

是肯定的：正确识别出有病的生病的人

第二，每个模型都有基于正分类概率的阈值（通常为0.5）。

因此，如果阈值为0.1，则所有概率大于0.1的样本都将被归为正。预测样本的概率是固定的，阈值将变化。

在roc_curve中，scikit-learn从以下位置增加阈值：

 0 (or minimum value where all the predictions are positive)

到

1 (Or the last point where all predictions become negative).

根据预测从正值到负值的变化确定中间点。

示例：

Sample 1      0.2
Sample 2      0.3
Sample 3      0.6
Sample 4      0.7
Sample 5      0.8

此处的最低概率为0.2，因此任何有意义的最小阈值为0.2。现在，随着我们不断提高阈值，由于本示例中的点数很少，因此阈值点将在每个概率处改变（并且等于该概率，因为那是正负数变化的点）

                     Negative    Positive
               <0.2     0          5
Threshold1     >=0.2    1          4
Threshold2     >=0.3    2          3
Threshold3     >=0.6    3          2
Threshold4     >=0.7    4          1
Threshold5     >=0.8    5          0

了解ROC曲线

2 个答案: