详解ROC/AUC计算过程

深藏阁楼爱情的钟 2022-09-02 13:53 207阅读 0赞

**ROC和AUC定义**

ROC全称是“受试者工作特征”（Receiver Operating Characteristic）。ROC曲线的面积就是AUC（Area Under the Curve）。AUC用于衡量“二分类问题”机器学习算法性能（泛化能力）。

Python中sklearn直接提供了用于计算ROC的函数\[1\]，下面就把函数背后的计算过程详细讲一下。

**计算ROC需要知道的关键概念**

首先，解释几个二分类问题中常用的概念：True Positive, False Positive, True Negative, False Negative。它们是根据真实类别与预测类别的组合来区分的。

假设有一批test样本，这些样本只有两种类别：正例和反例。机器学习算法预测类别如下图（左半部分预测类别为正例，右半部分预测类别为反例），而样本中真实的正例类别在上半部分，下半部分为真实的反例。

预测值为正例，记为P（Positive）  
预测值为反例，记为N（Negative）  
预测值与真实值相同，记为T（True）  
预测值与真实值相反，记为F（False）

![20210803192052103.png][]   
TP：预测类别是P（正例），真实类别也是P  
FP：预测类别是P，真实类别是N（反例）  
TN：预测类别是N，真实类别也是N  
FN：预测类别是N，真实类别是P

样本中的真实正例类别总数即TP+FN。TPR即True Positive Rate，TPR = TP/(TP+FN)。  
同理，样本中的真实反例类别总数为FP+TN。FPR即False Positive Rate，FPR=FP/(TN+FP)。

还有一个概念叫”截断点”。机器学习算法对test样本进行预测后，可以输出各test样本对某个类别的相似度概率。比如t1是P类别的概率为0.3，一般我们认为概率低于0.5，t1就属于类别N。这里的0.5，就是”截断点”。  
总结一下，对于计算ROC，最重要的三个概念就是TPR, FPR, 截断点。

截断点取不同的值，TPR和FPR的计算结果也不同。将截断点不同取值下对应的TPR和FPR结果画于二维坐标系中得到的曲线，就是ROC曲线。横轴用FPR表示。

sklearn计算ROC  
sklearn给出了一个计算ROC的例子\[1\]。

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)

通过计算，得到的结果（TPR, FPR, 截断点）为

fpr = array([ 0. ,  0.5,  0.5,  1. ])
    tpr = array([ 0.5,  0.5,  1. ,  1. ])
    thresholds = array([ 0.8 ,  0.4 ,  0.35,  0.1 ])#截断点

将结果中的FPR与TPR画到二维坐标中，得到的ROC曲线如下（蓝色线条表示），ROC曲线的面积用AUC表示（淡黄色阴影部分）。

![这里写图片描述][20160722224552404]

### **详细计算过程** ###

上例给出的数据如下

y = np.array([1, 1, 2, 2])
    scores = np.array([0.1, 0.4, 0.35, 0.8])

用这个数据，计算TPR，FPR的过程是怎么样的呢？

**1. 分析数据**

y是一个一维数组（样本的真实分类）。数组值表示类别（一共有两类，1和2）。我们假设y中的1表示反例，2表示正例。即将y重写为：

y_true = [0, 0, 1, 1]

score即各个样本属于正例的概率。

**2. 针对score，将数据排序**

样本    预测属于P的概率(score)    真实类别

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl8zODIwMTkzNg_size_16_color_FFFFFF_t_70][]   
**3. 将截断点依次取为score值**

将截断点依次取值为0.1,0.35,0.4,0.8时，计算TPR和FPR的结果。

**3.1 截断点为0.1**

说明只要score>=0.1，它的预测类别就是正例。  
此时，因为4个样本的score都大于等于0.1，所以，所有样本的预测类别都为P。

scores = [0.1, 0.4, 0.35, 0.8]
    y_true = [0, 0, 1, 1] 
    y_pred = [1, 1, 1, 1]

![20210803192417107.png][]

TPR = TP/(TP+FN) = 1  
FPR = FP/(TN+FP) = 1

**3.2 截断点为0.35**

说明只要score>=0.35，它的预测类别就是P。  
此时，因为4个样本的score有3个大于等于0.35。所以，所有样本的预测类有3个为P（2个预测正确，1一个预测错误）；1个样本被预测为N（预测正确）。

scores = [0.1, 0.4, 0.35, 0.8]
    y_true = [0, 0, 1, 1] 
    y_pred = [0, 1, 1, 1]

![这里写图片描述][SouthEast]  
  
TPR = TP/(TP+FN) = 1  
FPR = FP/(TN+FP) = 0.5

**3.3 截断点为0.4**

说明只要score>=0.4，它的预测类别就是P。  
此时，因为4个样本的score有2个大于等于0.4。所以，所有样本的预测类有2个为P（1个预测正确，1一个预测错误）；2个样本被预测为N（1个预测正确，1一个预测错误）。

scores = [0.1, 0.4, 0.35, 0.8]
    y_true = [0, 0, 1, 1] 
    y_pred = [0, 1, 0, 1]

![这里写图片描述][SouthEast 1]

TPR = TP/(TP+FN) = 0.5  
FPR = FP/(TN+FP) = 0.5

**3.4 截断点为0.8**

说明只要score>=0.8，它的预测类别就是P。所以，所有样本的预测类有1个为P（1个预测正确）；3个样本被预测为N（2个预测正确，1一个预测错误）。

scores = [0.1, 0.4, 0.35, 0.8]
    y_true = [0, 0, 1, 1] 
    y_pred = [0, 0, 0, 1]

![这里写图片描述][SouthEast 2]

TPR = TP/(TP+FN) = 0.5  
FPR = FP/(TN+FP) = 0

** 心得**

用下面描述表示TPR和FPR的计算过程，更容易记住

TPR：真实的正例中，被预测正确的比例  
FPR：真实的反例中，被预测正确的比例  
最理想的分类器，就是对样本分类完全正确，即FP=0，FN=0。所以理想分类器TPR=1，FPR=0。

[20210803192052103.png]: /images/20220829/6ccad8d7435d400c9a3dfbc9f3a74fc2.png
[20160722224552404]: /images/20220829/f6494e00fcb140689b49e6878c6be18b.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl8zODIwMTkzNg_size_16_color_FFFFFF_t_70]: /images/20220829/f07152fa143c463498123443d7e46e3d.png
[20210803192417107.png]: /images/20220829/7bf19ffacf85495081cb201e929a7817.png
[SouthEast]: /images/20220829/a7f82a217bd44c96b9ab7341ddb158e9.png
[SouthEast 1]: /images/20220829/b2e28df63a4747279af3a4615a231834.png
[SouthEast 2]: /images/20220829/79db151d53d345169e1fa819d73560bb.png