理解ROC曲线

Question

import matplotlib.pyplot as plt
from sklearn.metrics import roc_curve, auc , roc_auc_score
import numpy as np

correct_classification = np.array([0,1])
predicted_classification = np.array([1,1])

false_positive_rate, true_positive_rate, tresholds = roc_curve(correct_classification, predicted_classification)

print(false_positive_rate)
print(true_positive_rate)

来自specificity：

True positive: Sick people correctly identified as sick 
False positive: Healthy people incorrectly identified as sick 
True negative: Healthy people correctly identified as healthy 
False negative: Sick people incorrectly identified as healthy

我使用这些值0:病态，1:健康

来自rate：

荧光阳性率=假阳性/(假阳性+真阴性)

假阳性数:0真实阴性数:1

因此，假阳性率=0/0+1=0

读取roc_curve (curve)的返回值：

fpr :数组，形状= >2 增加假阳性率，例如元素I，是用分数>=阈值预测的假阳性率。 tpr :数组，shape = >2 增加真实阳性率这样的元素I是真实阳性预测的真实阳性率与分数>=阈值。 阈值:数组，shape = n_thresholds 降低用于计算fpr和tpr的决策函数的阈值。阈值表示没有被预测的实例，并且被任意设置为max(y_score) + 1。

这与我手工计算的假阳性率有何不同？阈值是如何设定的？这里提供了一些关于阈值的模式信息：https://datascience.stackexchange.com/questions/806/advantages-of-auc-vs-standard-accuracy，但我对它如何与此实现相适应感到困惑？

Answer 1

首先，维基百科正在考虑sick=1。

真正的积极:病人被正确地认定为病人。

第二，每个模型都有基于正类概率的阈值(一般为0.5)。

因此，如果阈值为0.1，所有概率大于0.1的样本将被归类为阳性。预测样本的概率是固定的，阈值也会发生变化。

在roc_curve中，scikit-learn从以下几个方面提高阈值：

 0 (or minimum value where all the predictions are positive) 

至

1 (Or the last point where all predictions become negative).

中间点是根据预测从正向负的变化来决定的。

示例：

Sample 1      0.2
Sample 2      0.3
Sample 3      0.6
Sample 4      0.7
Sample 5      0.8

这里的最低概率是0.2，所以任何意义的最小阈值都是0.2。现在，当我们不断地增加阈值时，由于这个例子中的点非常少，每个概率都会改变阈值(并且等于该概率，因为这是正负变化的点)。

                     Negative    Positive
               <0.2     0          5
Threshold1     >=0.2    1          4
Threshold2     >=0.3    2          3
Threshold3     >=0.6    3          2
Threshold4     >=0.7    4          1
Threshold5     >=0.8    5          0

Answer 2

​

​

在上面的演示中，阈值是橙色条。00类的分布为红色(分类器的输出)，第1类的分布为蓝色(同样，分类器输出的proba分布)。它适用于某一类或另一类的概率:如果一个样本有0.34,0.66的输出，那么即使proba为0.66，1级的阈值0.25也会使他进入1级。

你不是在课的曲线上工作，而是在上课的前提下工作。

我希望它能回答这个问题(如果没有，如果需要的话，我会更精确)。