这期内容当中小编将会给大家带来有关如何使用4个样本画出ROC曲线，文章内容丰富且以专业的角度为大家分析和叙述，阅读完这篇文章希望大家可以有所收获。
ROC 曲线，作为评价机器学习模型敏感度的一条重要曲线，在分类任务评价机制中应用较多。
但是很多朋友对于 ROC 曲线的理解还是有些模糊，心想着 x 轴是 FPR, y 轴是 TPR, 组条曲线有些神秘。
今天，咱们用 4 个样本，使用逻辑回归，分类阈值分别从 0.,0.2,0.4,0.6,0.8,1.0，依次变化，分别求出对应分类阈值的 FRP 和 TPR 值。
这样不就得到 6 个 (FRP,TPR) 点，组个曲线，不就是 ROC 曲线吗！
计算
安全
数据库
网络和加速
企业服务
# 有监督任务，四个样本的实际值：target = np.array([1,0,1,0])计算公式：
def TPR(TP,FN): return TP / (TP + FN)def FPR(FP,TN): return FP / (FP + TN)使用逻辑回归 Logistic regression，得到 4 个样本的概率分布为：[0.8,0.6,0.4,0.2]
当分类阈值参数 alpha 为 0.0 时：
y0 = np.array([1,1,1,1])p00 = [TPR(2,0),FPR(2,0)]p00结果：
[1.0, 1.0]当分类阈值参数 alpha 为 0.2 时：
# 同理，假如分类阈值 alpha = 0.2#y02 = np.array([1,1,1,1])p02 = [TPR(2,0),FPR(2,0)]p02结果：
[1.0, 1.0]当分类阈值参数 alpha 为 0.4 时：
target = np.array([1,0,1,0])y04 = np.array([1,1,1,0])p04 = [TPR(2,0),FPR(1,1)]p04结果：
[1.0, 0.5]当分类阈值参数 alpha 为 0.6 时：
# 同理，假如分类阈值 alpha = 0.6#target = np.array([1,0,1,0])y06 = np.array([1,1,0,0])p06 = [TPR(1,1),FPR(1,1)]p06结果：
[0.5, 0.5]当分类阈值参数 alpha 为 0.8 时：
# 同理，假如分类阈值 alpha = 0.8#target = np.array([1,0,1,0])y08 = np.array([1,0,0,0])p08 = [TPR(1,1),FPR(0,2)]p08结果：
[0.5, 0.0]当分类阈值参数 alpha 为 1.0 时：
# 同理，假如分类阈值 alpha = 1.0#target = np.array([1,0,1,0])y10 = np.array([0,0,0,0])p10 = [TPR(0,2),FPR(0,2)]p10结果：
[0.0, 0.0]绘制以上 6 个点，得到 ROC 曲线：
npxy = np.array(xy)fpr = npxy[:,1]tpr = npxy[:,0]plt.scatter(fpr,tpr)plt.plot(fpr,tpr)plt.grid()alphas = [0.0,0.2,0.4,0.6,0.8,1.0]for alpha,x,y in zip(alphas,fpr,tpr): plt.annotate("alpha=%s" % (alpha,), xy=(x,y), xytext=(-20, 10), textcoords='offset points')
上述就是小编为大家分享的如何使用4个样本画出ROC曲线了，如果刚好有类似的疑惑，不妨参照上述分析进行理解。如果想知道更多相关知识，欢迎关注亿速云行业资讯频道。
亿速云「云服务器」，即开即用、新一代英特尔至强铂金CPU、三副本存储NVMe SSD云盘，价格低至29元/月。点击查看>>
免责声明：本站发布的内容（图片、视频和文字）以原创、转载和分享为主，文章观点不代表本网站立场，如果涉及侵权请联系站长邮箱：is@yisu.com进行举报，并提供相关证据，一经查实，将立刻删除涉嫌侵权内容。
原文链接：https://my.oschina.net/u/4585819/blog/4401146
