使用 Sklearn 的 ROC 曲线下的面积？答案

【问题标题】：Area under the ROC curve using Sklearn?使用 Sklearn 的 ROC 曲线下的面积？
【发布时间】：2019-03-10 02:13:10
【问题描述】：

我不明白为什么Sklearn 函数roc_auc_score 在以下情况下返回1：

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)

末尾的三个分数0.7381414771080017, 0.8922111988067627, 0.8253260850906372 与标签0, 0, 0 不匹配。那么，AUC 怎么可能是 1？我在这里做错了什么？

【问题讨论】：

标签： python scikit-learn roc auc

【解决方案1】：

ROC 曲线的 auc 仅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，正类的分数始终大于负类数据点。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

【讨论】：

【解决方案2】：

如果您查看 ROC 本身，就会更容易理解原因：

> 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]))

返回元组中的第一个值是FPR，第二个是TPR，第三个是值变化的阈值点。

对于 0.99672818 的阈值，FPR 确实是 0.5，而不是 0，这会让你认为 ROC 的 AUC 不是 0。然而，FPR/TPR 点只是线 0, 0 - > 0, 1 -> 1, 1，其下方的面积确实是 1。

【讨论】：

非常感谢您的详细解释。 !