使用 Sklearn 的 ROC 曲线下面积？

Question

我无法弄清楚为什么 Sklearn 函数 roc_auc_score returns 1 在以下情况下：

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怎么会是1呢？我在这里弄错了什么？

Answer 1

ROC 曲线的 auc 仅衡量模型对数据点排序的能力，相对于您的积极 class。

在您的示例中，正 class 的分数始终大于负 class 数据点。因此，1 的 auc_roc_score 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

Answer 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]))

返回元组中第一个值是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，下面的面积确实是1.

使用 Sklearn 的 ROC 曲线下面积？

Area under the ROC curve using Sklearn?

python

roc

scikit-learn

auc