目錄

一、基礎理論

0、引言

1、TPR與FPR

1、TPR（召回率）

2、FPR

?2、ROC曲線

3、AUC指標

二、癌癥分類的模型檢測（AUC指標）

1、正反例轉1、0

2、計算AUC指標

總代碼

---

一、基礎理論

0、引言

在開始講解以前，先假設一種情況：

這種情況樣本不均衡（正樣本太多，沒法預測到正確的結果）。

要衡量樣本不均衡時的分類器效果，這時引入：ROC曲線和AUC指標。

1、TPR與FPR

1、TPR（召回率）

TPR = TP / (TP+FN) = 召回率

所有真實類別為1的樣本中，預測類別為1 比例。（召回率）

2、FPR

FPR = FP / (FP+TN)

所有真實類別為0的樣本中，預測類別為0的比例。

?2、ROC曲線

根據TPR和FPR的區別。

3、AUC指標

用AUC檢測模型好壞。

AUC越接近1，越完美；越接近0.5，效果越不好（近乎隨機猜測）。

只能用來評價二分類。

非常適合評價樣本不均衡分類的情況。

還是上面的那個例子，用AUC檢測模型效果：?

AUC=0.5，可以得出：模型效果很差（等于猜測）?

sklearn.metrics.roc_auc_score

二、癌癥分類的模型檢測（AUC指標）

1、正反例轉1、0

一開始是這樣的 ：

由于需要正例、反例分別為1、0.，所以進行一次數據變換（1,0）

# 1、把正例和反例分別用1和0表示
targer_true = np.where(test_target==4, 1, 0)
# print(test_target)

2、計算AUC指標

# 2、計算AUC指標
auc = roc_auc_score(targer_true, predict)
print('AUC指標：', auc)

得出結論：模型效果接近1，說明模型還不錯。?

總代碼

# 邏輯回歸：癌癥分類
import pandas as pd
import numpy as np
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import StandardScaler
from sklearn.linear_model import LogisticRegression
from sklearn.metrics import classification_report, roc_auc_score# 1、讀取數據
column_name=['Sample code number','Clump Thickness','Uniformity of Cell Size','Uniformity of Cell Shape','Marginal Adhesion','Single Epithelial Cell Size','Bare Nuclei','Bland Chromatin','Normal Nucleoli','Mitoses','Class']pd.set_option('display.max_columns',1000)        # 設置最大列數
pd.set_option('display.max_rows',1000)           # 設置最大行數data=pd.read_csv('breast-cancer-wisconsin.data', names=column_name)
# print(data)# 2、缺失數據處理
data = data.replace(to_replace='?', value = np.nan)
data.dropna(inplace=True)# 3、劃分數據集
train = data.iloc[:, 1:-1]
target = data['Class']
train_data, test_data, train_target, test_target = train_test_split(train, target)
# print(train_data)# 4、標準化（對訓練集和測試集標準化）
transfer = StandardScaler()
train_data = transfer.fit_transform(train_data)
test_data = transfer.transform(test_data)
# print(train_data)# 5、創建邏輯回歸預估器，訓練
estimator = LogisticRegression()
estimator.fit(train_data, train_target)
# print(train_data)# 查看模型參數：回歸系數 和 偏置
print('回歸系數：', estimator.coef_)
print('偏置：', estimator.intercept_)# 6、模型評估
# 方法一：比對
predict = estimator.predict(test_data)
print(predict==test_target)
# 方法二：計算正確率
score = estimator.score(test_data, test_target)
print('邏輯回歸分類正確率為：', score)# 查看精確率、召回率、F1-score
report = classification_report(test_target, predict, target_names=['良性', '惡性'])
print(report)# 計算AUC指標
# 1、把正例和反例分別用1和0表示
targer_true = np.where(test_target==4, 1, 0)
# print(test_target)# 2、計算AUC指標
auc = roc_auc_score(targer_true, predict)
print('AUC指標：', auc)

總結

以上是生活随笔為你收集整理的机器学习（16）ROC曲线与AUC指标（癌症分类的模型检测--AUC指标）的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。