如何绘制灵敏度和特异性的ROC？
How to draw ROC of sensitivity and specificity?
特异性 = 1 - FPR
我改了代码如下：
plt.plot(1-fpr, tpr, 'b', label = 'AUC = %0.2f' % roc_auc)
但是这个数字好像不对。
这是我在纸上看到的。
你对ROC曲线的理解有误。 ROC 曲线绘制了不同阈值下的真阳性率（灵敏度）tpr = tp / (tp + fn) 与假阳性率（1 - 特异性）1 - (tn / (tn + fp)。现在，我看到您的标题表明您想要 'ROC of sensitivity and specificity' 但实际上不存在类似的东西。解决灵敏度和特异性的方法是通过 ROC 曲线。
为了获得 ROC 曲线，将绘图更改为：
plt.plot(fpr, tpr, 'b', label = 'AUC = %0.2f' % roc_auc)
你可以从上面的解释中看到如何计算假阳性率和真阳性率。
然后，在解释 ROC 曲线时，您希望分类器尽可能靠近左上角，以指示低假阳性率（高特异性）和高真阳性率（高灵敏度）。也就是说，假阳性率并不代表特异性，而是特异性的负值。这就是为什么你希望它是最小的。
最后但并非最不重要的一点是，当涉及到 ROC 曲线时，人们经常会感到困惑的情况是 X 轴上没有 1 - specificity，而是 specificity。发生这种情况时，值的方向会反转（如图所示），因此它会从 1 变为 0 而不是 0 变为 1。
特异性 = 1 - FPR 我改了代码如下：
plt.plot(1-fpr, tpr, 'b', label = 'AUC = %0.2f' % roc_auc)
但是这个数字好像不对。
这是我在纸上看到的。
你对ROC曲线的理解有误。 ROC 曲线绘制了不同阈值下的真阳性率（灵敏度）tpr = tp / (tp + fn) 与假阳性率（1 - 特异性）1 - (tn / (tn + fp)。现在，我看到您的标题表明您想要 'ROC of sensitivity and specificity' 但实际上不存在类似的东西。解决灵敏度和特异性的方法是通过 ROC 曲线。
为了获得 ROC 曲线，将绘图更改为：
plt.plot(fpr, tpr, 'b', label = 'AUC = %0.2f' % roc_auc)
你可以从上面的解释中看到如何计算假阳性率和真阳性率。
然后，在解释 ROC 曲线时，您希望分类器尽可能靠近左上角，以指示低假阳性率（高特异性）和高真阳性率（高灵敏度）。也就是说，假阳性率并不代表特异性，而是特异性的负值。这就是为什么你希望它是最小的。
最后但并非最不重要的一点是，当涉及到 ROC 曲线时，人们经常会感到困惑的情况是 X 轴上没有 1 - specificity，而是 specificity。发生这种情况时，值的方向会反转（如图所示），因此它会从 1 变为 0 而不是 0 变为 1。