【sklearn】性能度量指标之ROC曲线（二分类）

原创博文，转载请注明出处！

1.ROC曲线介绍

• ROC曲线适用场景
• 二分类任务中，positive和negtive同样重要时，适合用ROC曲线评价

• ROC曲线的意义
• TPR的增长是以FPR的增长为代价

2.ROC曲线绘制

• 纵坐标为TPR
• TPR(True Positive Rate)真正确率，即模型正确识别正例的比例,TPR=TP/(TP+FN)
• 横坐标为FPR
• FPR(False Positive Rate)假正确率，即模型错误将反例识别为正例的比例,FPR=FP/(FP+TN)
• ROC曲线的绘制过程
• 给定m个正例和n个反例。首先，根据学习器预测结果对样本排序；然后，先把所有样本均预测为反例，再一次将每个样本划分为正例（阈值从大到小的过程）。

3.sklearn中roc曲线

from sklearn.metrics import roc_curve
tpr,fpr,thresholds = roc_curve(y_test,y_pred)

import matplotlib.pyplot as plt
plt.plot(fpr, tpr)
plt.xlim([0.0, 1.0])
plt.ylim([0.0, 1.0])
plt.title('ROC curve for diabetes classifier')
plt.xlabel('False Positive Rate (1 - Specificity)')
plt.ylabel('True Positive Rate (Sensitivity)')
plt.grid(True)