使用Sklearn在ROC曲线下的面积?

时间:2019-03-09 15:11:40

标签: python scikit-learn roc auc

在以下情况下,我不知道为什么Sklearn函数roc_auc_score返回1的原因:

y_true = [0, 0, 1, 0, 0, 0, 0, 1]

y_scores = [0.18101096153259277, 0.15506085753440857, 
            0.9940806031227112, 0.05024950951337814, 
            0.7381414771080017, 0.8922111988067627, 
            0.8253260850906372, 0.9967281818389893]

roc_auc_score(y_true,y_scores)

最后的三个分数0.7381414771080017, 0.8922111988067627, 0.8253260850906372与标签0, 0, 0不匹配。那么,AUC如何为1?我这是怎么了?

2 个答案:

答案 0 :(得分:2)

ROC曲线的auc只是衡量您的模型相对于您的正类对数据点进行排序的能力。

在您的示例中,正面类别的得分始终大于负面类别的数据点。因此,auc_roc_score为1是正确的。

pd.DataFrame({'y_true':y_true,'y_scores':y_scores}).sort_values('y_scores',ascending=False)

    y_scores    y_true
7   0.996728    1
2   0.994081    1
5   0.892211    0
6   0.825326    0
4   0.738141    0
0   0.181011    0
1   0.155061    0
3   0.050250    0

答案 1 :(得分:2)

如果您查看ROC本身,就更容易理解原因:

> roc_curve(y_true, y_scores)

(array([0., 0., 0., 1.]),
 array([0. , 0.5, 1. , 1. ]),
 array([1.99672818, 0.99672818, 0.9940806 , 0.05024951]))

返回的元组中的第一个值是FPR,第二个是TPR,第三个是值改变的阈值点。

对于0.99672818的阈值,FPR实际上为0.5,而不是0,这会使您认为ROC的AUC不为0。但是,FPR / TPR点只是行0、0- > 0,1-> 1,1,并且它下面的区域确实是1。