roc_curve#

sklearn.metrics.roc_curve(y_true, y_score, *, pos_label=None, sample_weight=None, drop_intermediate=True)[source]#

计算接收者操作特征 (ROC)。

注意：通过一对多或一对一方式，不支持超出二元分类任务的扩展。

在用户指南中阅读更多内容。

参数:
y_true形状为 (n_samples,) 的 array-like

真实的二元标签。如果标签不是 {-1, 1} 或 {0, 1}，则应明确给出 pos_label。

y_score形状为 (n_samples,) 的类数组

目标得分，可以是正类的概率估计、置信度值，或非阈值化的决策度量（如某些分类器返回的“decision_function”）。对于decision_function得分，大于或等于零的值应指示正类。

pos_labelint, float, bool or str, default=None

正类的标签。当pos_label=None时，如果y_true在{-1, 1}或{0, 1}中，则pos_label设置为1，否则将引发错误。

sample_weightshape 为 (n_samples,) 的 array-like, default=None

样本权重。

drop_intermediatebool, default=True

是否删除在ROC空间中与邻居共线的阈值点。这不影响ROC AUC或曲线的视觉形状，但会减少绘制点的数量。

版本 0.17 中新增: 参数 drop_intermediate。

返回:
fprndarray of shape (>2,)

递增的假正率，其中元素i是得分 >= thresholds[i]的预测的假正率。

tprndarray of shape (>2,)

递增的真正率，其中元素i是得分 >= thresholds[i]的预测的真正率。

thresholds形状为 (n_thresholds,) 的 ndarray

用于计算fpr和tpr的决策函数上的递减阈值。第一个阈值设置为np.inf。

版本 1.3 中更改: 添加了一个任意的无穷大阈值（存储在thresholds[0]中），以表示一个总是预测负类的分类器，即fpr=0且tpr=0。

另请参阅

RocCurveDisplay.from_estimator

给定一个估计器和一些数据，绘制接收者操作特征 (ROC) 曲线。

RocCurveDisplay.from_predictions

给定真实值和预测值，绘制接收者操作特征 (ROC) 曲线。

RocCurveDisplay.from_cv_results

根据交叉验证结果绘制多折ROC曲线。

det_curve

计算不同概率阈值的错误率。

roc_auc_score

计算 ROC 曲线下的面积。

confusion_matrix_at_thresholds

对于二分类，计算每个阈值的真阴性、假阳性、假阴性和真阳性计数。

注意事项

由于阈值是从低到高排序的，在返回时它们被反转以确保它们对应于fpr和tpr，后者在计算过程中按相反顺序排序。

References

[2]

Fawcett T. An introduction to ROC analysis[J]. Pattern Recognition Letters, 2006, 27(8):861-874.

示例

>>> import numpy as np
>>> from sklearn import metrics
>>> y = np.array([1, 1, 2, 2])
>>> scores = np.array([0.1, 0.4, 0.35, 0.8])
>>> fpr, tpr, thresholds = metrics.roc_curve(y, scores, pos_label=2)
>>> fpr
array([0. , 0. , 0.5, 0.5, 1. ])
>>> tpr
array([0. , 0.5, 0.5, 1. , 1. ])
>>> thresholds
array([ inf, 0.8 , 0.4 , 0.35, 0.1 ])