[机器学习] 第二章 模型评估与选择 2.ROC：roc_curve原理及源代码详解

最新推荐文章于 2026-08-31 08:59:57 发布
原创 最新推荐文章于 2026-08-31 08:59:57 发布 · 1.4k 阅读 · 0
本文详细探讨了ROC曲线在二分类和多分类问题中的应用，特别是在机器学习模型评估中的重要作用。通过讲解ROC曲线的基本概念，如ovo和ovr策略，以及如何利用Python进行曲线绘制和优化，深入理解模型性能的度量。文章还提供了pycharm中调试roc_curve函数的步骤，帮助读者更好地理解和应用ROC曲线。

roc_ovo_ovr.py代码见：https://github.com/Carrie-Yi/machine_learning/tree/main/roc_curve

about roc

  1. 针对 二分类ovo （one vs one 一对一）与 多分类ovr （one vs rest，一对多，样本可能是多个类中的一个类）的roc_curve绘制问题，
    roc原本常用于二分类问题class=[0,1]；但对于多分类的roc, 也可以采取平均roc曲线和平均auc来度量模型性能。
  2. 对于sample_weight, 通常我们设置为weight=1, 样本均衡, 权重相同。也可以做更改。
  3. 对于threshold_index，np.logical_or(true,diff(tps,2),diff(fps,2),true)二阶差分进行优化，得到了优化后的threshold_index（阈值数组长度45→11）
optimal_idxs = np.where(np.r_[
标签
#机器学习 #人工智能
了解本专栏 订阅专栏 解锁全文 超级会员免费看
roc_curve()，ROC曲线，混淆矩阵，开集闭集等概念
彭伟的博客
08-02 1万+
ROC 在分类任务中，经常基于错误率来衡量分类器任务的成功程度。错误率指的是在所有测试样例中错分的样例比例。实际上，这样的度量错误掩盖了样例如何被分错的事实。在机器学习中，有一个普遍适用的称为混淆矩阵(confusion matrix)的工具，它可以帮助人们更好地了解分类中的错误。 混淆矩阵 我们举个列子，并画出混淆矩阵表，假如宠物店有10只动物，其中6只狗，4只猫，现在有一个分类器将这10只动物进行分类，分类结果为5只狗，5只猫，那么我们画出分类结果混淆矩阵，并进行分析，如下（我们把狗作为正类）： 如果
Pytorch中使用样本权重(sample_weight)的正确方式
常东良ProM的博客
01-18 1万+
step:1.将标签转换为one-hot形式。2.将每一个one-hot标签中的1改为预设样本权重的值即可在Pytorch中使用样本权重。eg:对于单个样本：loss = - Q * log(P),如下：P = [0.1,0.2,0.4,0.3] Q = [0,0,1,0] loss = -Q * np.log(P)增加样本权重则为loss = - Q * log(P) *sample_weigh
ROC曲线原理及其matlab实现源码
bemyself24
07-11 5840
ROC曲线和AUC经常用来评价二分类器的好坏，ROC简单的说就是在不断地调整阀值（正例置信度）的条件下，求TPR（True Positive Rate）和FPR（False Positive Rate）的值，具体的定义如下图： 由于我们实验室做的是气象方面，所以使用的是POD，FAR和CSI 四个特殊点和一条直线： （1）（0，0）全部预测为负类，TPR=FPR=0，即TP=FP=0
Python下使用sklearn绘制ROC曲线（超详细）
热门推荐
hesongzefairy的博客
02-14 8万+
pass
sklearn.metrics.roc_curve解析
qq_37972486的博客
05-11 1729
先认识单词：metrics: ['mɛtrɪks] ： 度量‘指标 curve : [kɝv] : 曲线 这个方法主要用来计算ROC曲线面积的; sklearn.metrics.roc_curve(y_true, y_score, pos_label=None, sample_weight=None, drop_intermediate=True) Parameters : y_true : 数组，shape = [样本数] 在范围{0,1}或{-1,1}中真
Python实战：从零构建金融风控预测模型，解决数据不平衡与特征工程难题
weixin_33824363的博客
08-26 310
机器学习中的分类问题是预测建模的核心任务之一，旨在根据输入特征将样本划分到预定义的类别中。其基本原理是通过算法学习历史数据中的模式，构建一个从特征到类别标签的映射函数。在金融科技领域，分类模型的技术价值尤为突出，它能够自动化、精准化地处理海量数据，识别复杂非线性关系，从而支持关键业务决策。典型的应用场景包括信用评分、欺诈检测和客户流失预警等。本文聚焦于金融信贷中的个贷违约预测，这是一个典型的二分类问题，但面临数据高度不平衡的挑战。文章深入探讨了如何使用SMOTE等过采样技术和调整类别权重来应对这一难题，并详
基于轻量级CNN的结膜图像贫血检测：从原理到PyTorch实战
weixin_30263073的博客
08-19 347
卷积神经网络（CNN）作为深度学习在计算机视觉领域的核心架构，通过卷积层自动提取图像的层次化特征，实现了从边缘、纹理到复杂模式的识别。其核心原理在于利用局部连接和权值共享，极大地降低了模型参数量，提升了特征提取的效率。在医疗影像分析等资源受限的场景中，轻量级CNN通过深度可分离卷积、倒残差结构等技术，在保持精度的同时大幅压缩模型体积与计算开销，为移动端与边缘设备的部署提供了可能。这种技术价值在于将前沿的AI能力带入临床辅助筛查、便携式诊断设备等实际应用场景。本文以结膜图像贫血检测这一具体任务为例，详细阐述了
大模型进阶：Agent智能体
最新发布
编程世界如山海，探索不止。
08-31 1万+
在人工智能快速发展的今天，大模型进阶：Agent智能体已经成为每个AI从业者必须掌握的核心技能。Python作为AI开发的主流语言，其丰富的生态系统和简洁的语法使其成为机器学习和深度学习的首选工具。
MATLAB基准代码构建指南：从公民科学到阿尔茨海默病研究的自动化算法评估
weixin_33842304的博客
06-22 490
在计算神经科学和生物医学图像分析领域，算法性能的标准化评估是推动研究可复现性与可比性的基石。其核心原理在于通过定义清晰的任务、提供统一的数据接口和实现公认的评价指标，构建一个公平的基准测试框架。这种框架的技术价值在于，它能够客观衡量不同图像处理或机器学习模型在特定任务上的效能，为算法优化提供明确方向。在应用场景上，此类基准广泛用于处理复杂的生物医学影像数据，例如大脑毛细血管的血流分析，这对于阿尔茨海默病等疾病的研究至关重要。本文聚焦于为‘Stall Catchers’这类公民科学项目开发自动化分析工具，详细
C++图形识别实战：从HOG+SVM到ORB特征匹配的算法实现
weixin_30239339的博客
07-22 1356
图形识别是计算机视觉的核心领域，旨在让计算机从像素数据中“理解”图像内容。其基本原理是通过特征提取算法（如边缘检测、方向梯度直方图HOG或局部特征描述子）将图像转换为可量化的特征向量，再交由分类器（如支持向量机SVM）进行决策。这项技术对于实现自动化、智能化系统具有重要价值，广泛应用于行人检测、物体识别、安防监控和自动驾驶等场景。本文以C++和OpenCV为工具，深入剖析了传统图形识别算法的工程实现，详细演示了基于HOG特征与SVM的行人检测流程，以及利用ORB特征点进行物体匹配的关键步骤，为开发者从原理到
社保大数据分析实战：从数据清洗到LightGBM建模全流程解析
weixin_31062533的博客
08-30 215
数据分析是挖掘数据价值、驱动业务决策的核心技术。其原理在于通过系统性的方法，从原始数据中提取信息、发现规律并构建预测模型。在工程实践中，高效的数据处理流程和强大的机器学习算法是实现精准分析的关键。以社保数据分析为例，这类数据具有强时序性、高维稀疏性和高敏感性等特点，对特征工程和模型选择提出了特定要求。通过Pandas进行多表关联与清洗，并利用LightGBM等梯度提升树模型进行建模，可以有效处理类别特征、避免维度灾难，并实现对个体行为预测或风险识别的技术目标。这种结合时序特征工程与树模型优化的方法，可广泛应
数据科学图像搜索：用视觉锚点高效获取概念图解与学习资源
06-12 433
数据科学知识高度依赖可视化表达，如决策树分裂图、混淆矩阵热力图、Transformer架构剖面图等，这些‘视觉锚点’承载着远超文字的信息密度和认知效率。其底层原理在于人类大脑处理图像速度是文字的6万倍，且图表遵循通用‘视觉语法’（如ROC曲线下面积对应AUC）。技术价值体现在绕过抽象描述直击实现本质，显著提升概念理解效率与教学准确性。典型应用场景包括新手突破理解瓶颈、工程师快速定位算法可视化实现、讲师高效筛选高质量教学素材。本文聚焦Google图片搜索在数据科学领域的深度应用，揭示如何将模糊需求转化为可检索
python数据分析模型建立_一个完整的数据分析案例 | 用Python建立客户流失预测模型（含源数据+代码）...
weixin_39908462的博客
11-25 2976
原标题：一个完整的数据分析案例 | 用Python建立客户流失预测模型（含源数据+代码）来源：数据分析不是个事儿作者：启方原文：https://mp.weixin.qq.com/s/_20MN6V6aV1T3Ekd7C9neQ 客户流失是所有与消费者挂钩行业都会关注的点。因为发展一个新客户是需要一定成本的，一旦客户流失，成本浪费不说，挽回一个客户的成本更大。今天分享一个用户流失预测，以电信行业为例...
Python机器学习：roc_curve()生成ROC曲线
Sukey666666的博客
02-11 7233
用sklearn里面的roc_curve()函数，就能一键计算FPR和TPR，快速生成ROC曲线啦。
ROC曲线原理和代码演示
NewFarmland的博客
07-22 1万+
原理 ROC 全称是"受试者工作特征" (Receiver Operating Characteristic) 曲线。 我们根据学习器的预测结果对样例进行排序，按此顺序逐个把样本作为正例进行预测，每次计算出两个重要量的值，分别以它们为横、纵坐标作图'就得到了 "ROC 曲线"。 ROC 曲线的纵轴是"真正例率" (True Positive Rate，简称 TPR)，横轴是"假正例率" (Fa...
roc曲线简单介绍及实例代码
nowfuture的博客
08-16 1万+
今日笔记：roc曲线 还是仅供自己参考学习。。 首先要注意的是roc曲线仅适用于二分类问题，不是二分类问题应首先通过各种手段转为二分类问题。 roc横坐标为TPR，纵坐标为TPR，若要知道TPR,FPR，就要从混淆矩阵说起... 漏掉了f1..f1 = 2*p*r / (p+r) 然后给定阈值，进行计算FPR,TPR 上代码，实现这个小例子： from sklearn.me...
ROC曲线及其代码实现
Bebr的博客
12-25 9502
一、基本概念 ROC曲线（Receiver Operating Characteeristic Curve）是显示Classification模型真正率和假正率之间折中的一种图形化方法。  解读ROC图的一些概念定义:：  真正（True Positive , TP）被模型预测为正的正样本  假负（False Negative , FN）被模型预测为负的正样本  假正（False Positiv...
机器学习：评价分类结果（ROC 曲线）
ab1213456的博客
08-01 932
一、基础理解 　1）定义 ROC（Receiver Operation Characteristic Curve） 定义：描述 TPR 和 FPR 之间的关系； 功能：应用于比较两个模型的优劣； 模型不限于是否通过极度偏斜的数据训练所得； 比较方式：ROC 曲线与坐标图形边界围成的面积，越大模型越优； TPR（True Pos...
matlab roc曲线,MATLAB画ROC曲线，及计算AUC值
weixin_30486717的博客
03-20 1248
标签：根据决策值和真实标签画ROC曲线，同时计算AUC的值function auc = roc_curve(deci,label_y) %%deci=wx+b, label_y, true label[val,ind] = sort(deci,‘descend‘);roc_y = label_y(ind);stack_x = cumsum(roc_y == -1)/sum(roc_y == -1)...
【Python机器学习系列】一文教你绘制多分类任务的ROC曲线-宏平均ROC曲线（案例+源码）
数据杂坛
08-22 4278
一文教你绘制多分类任务的ROC曲线-宏平均ROC曲线（案例+源码）
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
表情包 插入表情
表情包 代码片
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

心心喵

喵喵(*^▽^*）

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值