手动计算AUC

Question

如何获得具有fpr和tpr的AUC值？ Fpr 和 tpr 只是从这些公式获得的 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。我也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)

但由于某些原因我想避免使用 Predict_proba 。所以我的问题是：如何获得具有

fp, tp, fn, tn, fpr, tpr

的 AUC？也就是说，没有

roc_curve

也能得到AUC吗？

Answer 1

是的，无需调用roc_curve即可获得AUC。

您首先需要创建 ROC（接收者操作特征）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，逻辑回归输出概率，这是可用于排名的分数。 ROC 曲线是通过在不同阈值设置下绘制真阳性率 (TPR) 与假阳性率 (FPR) 的关系来创建的。举个例子：

模型性能通过查看 ROC 曲线（或 AUC）下的面积来确定

您可以在这里找到更详细的解释。

Answer 2

您可以将空间分为两部分：三角形和梯形。三角形的面积为

TPR*FRP/2

，梯形的面积为

(1-FPR)*(1+TPR)/2 = 1/2 - FPR/2 + TPR/2 - TPR*FPR/2

。总面积为

1/2 - FPR/2 + TPR/2

。这就是你如何获得它，只有2点。

Answer 3

from sklearn import metrics

my_fpr = fp / (fp + tn)
my_tpr = tp / (tp + fn)
my_roc_auc = metrics.auc([0, my_fpr, 1], [0, my_tpr, 1])

关键思想是添加两个点（

FPR=0, TPR=0

和

FPR=1, TPR=1

）用于AUC计算。这两点始终存在于 ROC 曲线中。