AUC的全名是Area under the Curve of ROC，也是ROC抛物线上方的占地面积，除此之外一类重要的表达方式是：依次乱数从差值样品分散抽出两个正样品，两个负样品，正样品的预估值小于负样品的机率。

ROC抛物线该是不是理解呢？具体来说，需要则表示的是，ROC分析的是相互依赖展开分类数学模型，也是输入结论多于三种类型的数学模型，比如说：（阳性/阳性）（这回/篦齿）（流氓软件/非流氓软件）。在二展开分类问题中，数据的条码通常用（0/1）来则表示，在数学模型体能训练顺利完成后展开试验时，会对试验集的每一样品排序两个介乎0~1间的机率，表观数学模型则表示该样品为阳性的机率，他们能选取两个共振频率，将数学模型排序出的机率展开二值化，比如说选取共振频率=0.5，所以当数学模型输入的值小于等同于0.5时，他们就则表示数学模型将该样品预估为阳性，也是条码为1，与此相反。选取的共振频率不同，数学模型预估的结论也会适当地发生改变。相互依赖展开分类数学模型的一般而言样品预估有三种结论：

真阳性（TP）：推论为阳性，前述也是阳性。 伪阳性（FP）：推论为阳性，前述看似阳性。 真阳性（TN）：推论为阳性，前述也是阳性。 伪阳性（FN）：推论为阳性，前述看似阳性。

这三种结论能细线2 × 2的混为一谈行列式：

有了混为一谈行列式，就能表述ROC抛物线了。ROC抛物线将假误诊率（FPR）表述为 X 轴，真误诊率（TPR）表述为 Y 轴。当中：

TPR：在所有前述为阳性的样品中，被正确地推论为阳性的样品比例。 FPR：在所有前述为阳性的样品中，被错误地推论为阳性的样品比例。 TPR = TP / (TP + FN) FPR = FP / (FP + TN)

标识符

# AUC的计算 import numpy as np import matplotlib.pyplot as plt pred= list(np.random.uniform(low=0, high=1, size=1000)) labels = [int(prob>0.5) for prob in list(np.random.uniform(low=0,high=1, size=1000))] #方法一：求roc占地面积 def cal_auc1(pred, labels): num = len(labels) auc = 0 roc_point = [] for i in range(num): pos = pred[i] TP = 0 FP = 0 FPR = 0 TPR = 0 pos_num = 0 for inx, prob in enumerate(pred): if prob > pos: pos_num +=1 if prob > pos and labels[inx] == 1: TP +=1 if prob > pos and labels[inx] == 0: FP +=1 if pos_num > 0: TPR = TP / sum(labels) FPR = FP / (num - sum(labels)) roc_point.append([FPR,TPR]) roc_point.sort(key=lambda x: x[0]) lastx = 0 for x,y in roc_point: auc += (x-lastx)*y # 底乘高 lastx = x return auc # 方法二 表述 def cal_auc2(pred,labels): num = 0 pos_pred = [] neg_pred = [] for prob, label in zip(pred,labels): if label == 1: pos_pred.append(prob) else: neg_pred.append(prob) for i in pos_pred: for j in neg_pred: if i > j : num +=1 auc = num/(len(pos_pred)*len(neg_pred)) return auc if __name__ == __main__: print(cal_auc1(pred,labels)) print(cal_auc2(pred,labels))