手动计算AUC

Question

如何获得具有fpr和tpr的AUC值？Fpr和tpr仅仅是从这些公式中获得的2个浮点数：

my_fpr = fp / (fp + tn)
my_tpr = tp / (tp + fn)
my_roc_auc = auc(my_fpr, my_tpr)

我知道这是不可能的，因为fpr和tpr只是一些浮点数，它们需要是数组，但我不知道如何做到这一点。我还知道我可以这样计算AUC：

y_predict_proba = model.predict_proba(X_test)
probabilities = np.array(y_predict_proba)[:, 1]
fpr, tpr, _ = roc_curve(y_test, probabilities)
roc_auc = auc(fpr, tpr)

但出于某些原因，我想避免使用predict_proba。所以我的问题是:我怎样才能获得拥有fp, tp, fn, tn, fpr, tpr的AUC？换句话说，有没有可能在没有roc_curve的情况下获得AUC

Answer 1

你可以把空间分成两部分:三角形和梯形。三角形将具有面积TPR*FRP/2，即梯形(1-FPR)*(1+TPR)/2 = 1/2 - FPR/2 + TPR/2 - TPR*FPR/2。总面积为1/2 - FPR/2 + TPR/2。这就是你可以得到它的方式，只有2分。

Answer 2

可以，可以在不调用roc_curve的情况下获取AUC。

首先需要创建ROC (接收器操作特性)曲线。为了能够使用ROC曲线，您的分类器应该能够对示例进行排名，以便排名较高的示例更有可能是正面的(例如，欺诈性的)。例如，Logistic回归输出概率，这是一个可用于排名的分数。ROC曲线是通过在各种阈值设置下绘制真阳性Pate (TPR)与假阳性率(FPR)的曲线来创建的。举个例子：

​

​

通过观察ROC曲线(或AUC)下的面积来确定模型的性能

​

​

你可以在here上找到更详细的解释。