机器学习--ROC & AUC

参考

机器学习-ROC曲线 - 知乎 (zhihu.com)https://zhuanlan.zhihu.com/p/347470776一文看懂ROC、AUC - 知乎 (zhihu.com)https://zhuanlan.zhihu.com/p/81202617

在了解之前，我们先来认识一下以下的概念

针对一个二分类问题，将实例分成正类(postive)或者负类(negative)。但是实际中分类时，会出现四种情况:

(1)TP(True Postive):是正类并且被预测为正类

(2)FN(False Negative):是正类，但是被预测成为负类

(3)FP(False Postive):是负类，但是被预测成为正类

(4)TN(True Negative):是负类，但是被预测成为负类

1.ROC曲线的定义

ROC的全称是Receiver Operating Characteristic Curve，中文名字叫“受试者工作特征曲线”，顾名思义，其主要的分析方法就是画这条特征曲线。

它显示了在不同阈值下真正例率（True Positive Rate，也称为召回率）与假正例率（False Positive Rate）之间的关系。

横轴：假正类率 (false postive rate,?FPR)，特异度，划分实例中所有负例占所有负例的比例；TNR=1-FPR。

纵轴：真正类率 ==Recall(true postive rate,?TPR)，灵敏度，Sensitivity(正类覆盖率)

ROC 曲线中横轴和纵轴的含义以及与阈值的关系。

阈值

举一个雷达兵的例子。每一个雷达兵用的都是同一台雷达返回的结果，但是每一个雷达兵内心对其属于敌军轰炸机的判断是不一样的，可能1号兵解析后认为结果大于0.9，就是轰炸机，2号兵解析后认为结果大于0.85，就是轰炸机，依次类推，每一个雷达兵内心都有自己的一个判断标准（也即对应分类器的不同“阈值”），这样针对每一个雷达兵，都能计算出一个ROC曲线上的关键点（一组FPR,TPR值），把大家的点连起来，也就是最早的ROC曲线了。

当改变分类器的阈值时，会影响到对正例和负例的界定，从而影响到分类器的性能。

一般来说，降低阈值会增加真正例率（TPR），但也会导致增加假正例率（FPR）。ROC 曲线展示了在不同阈值下这种权衡关系。

具体来说，当阈值设定得很低时，分类器可能会将大部分样本判定为正例，这会提高真正例率（TPR），但也会导致增加假正例率（FPR）。

相反，当阈值设定得很高时，分类器可能只将少数样本判定为正例，这会降低真正例率（TPR），但也会导致减少假正例率（FPR）。

ROC 曲线展示了在所有可能阈值下 TPR 和 FPR 的变化情况，帮助我们理解分类器在不同判定标准下的性能表现。

ROC曲线绘制了在不同阈值下的TPR和FPR之间的折衷关系。曲线越靠近左上角（0,1）处，分类器性能越好，因为在这个点处TPR最大，而FPR最小。

AUC（Area Under the Curve）：是ROC曲线下的面积，用来衡量分类器性能的一个数值。AUC值的范围在0到1之间，完美分类器的AUC值为1，随机猜测的分类器的AUC值为0.5。

2. 代码演示

from sklearn.datasets import make_classification
from sklearn.model_selection import train_test_split
from sklearn.metrics import roc_curve, roc_auc_score
from sklearn.linear_model import LogisticRegression
import matplotlib.pyplot as plt

# 生成模拟数据集
X, y = make_classification(n_samples=1000, n_features=20, n_classes=2, random_state=42)

# 将数据集分割为训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

# 构建分类模型（这里以逻辑回归为例）
model = LogisticRegression()
model.fit(X_train, y_train)

# 获取预测概率
y_pred_proba = model.predict_proba(X_test)[:, 1]

# 计算 ROC 曲线的各项指标
fpr, tpr, thresholds = roc_curve(y_test, y_pred_proba)
auc = roc_auc_score(y_test, y_pred_proba)

# 绘制 ROC 曲线
plt.figure(figsize=(8, 6))
plt.plot(fpr, tpr, label=f'ROC curve (AUC = {auc:.2f})', color='orange')
plt.stackplot(fpr, tpr, color='skyblue', alpha=0.3)  # 添加阴影效果
plt.text(0.6, 0.4, f'AUC = {auc:.3f}', fontdict=dict(size=12))  # 添加文本标签
plt.plot([0, 1], [0, 1], 'k--')
plt.xlabel('False Positive Rate')
plt.ylabel('True Positive Rate')
plt.title('Receiver Operating Characteristic (ROC) Curve')
plt.legend(loc='lower right')
plt.show()

print(f"AUC值为: {auc:.4f}")

结果展示

3. 一些其他地模型评估参数

a. 准确率(Accuracy)

所有预测正确的和所有test集的比例

b.?精确率（Precision）

也称为查准率，表示分类器预测为正类别的样本中有多少确实属于正类别的比例。

计算公式为：Precision = TP / (TP + FP)

c.召回率（Recall)

也称为查全率或灵敏度，表示实际为正类别的样本中被分类器预测为正类别的比例。

计算公式为：Recall = TP / (TP + FN)

d.F1分数（F1-score）

是精确率和召回率的调和平均值，综合考虑了两者的性能。

F1-score的取值范围在0到1之间，是精确率和召回率的平衡指标。

计算公式为：F1-score = 2 * (Precision * Recall) / (Precision + Recall)。