python手写auc

Python手写AUC

在机器学习领域，AUC（Area Under the Curve）是评估模型分类效果的重要指标之一。它代表了ROC曲线下的面积，ROC曲线是真阳性率（True Positive Rate）与假阳性率（False Positive Rate）之间的关系图。AUC的取值范围在0到1之间，值越接近1表示模型分类效果越好。

在Python中，我们可以手写一个简单的函数来计算AUC，下面让我们一起来看看如何实现。

AUC计算代码示例

import numpy as np

def calculate_auc(y_true, y_pred):
    n = len(y_true)
    sorted_indices = np.argsort(y_pred)
    
    y_true_sorted = y_true[sorted_indices]
    n_positive = np.sum(y_true == 1)
    n_negative = n - n_positive
    
    tp = 0
    fp = 0
    tpr_values = [0]
    fpr_values = [0]
    
    for i in range(n):
        if y_true_sorted[i] == 1:
            tp += 1
        else:
            fp += 1
        
        tpr = tp / n_positive
        fpr = fp / n_negative
        
        tpr_values.append(tpr)
        fpr_values.append(fpr)
    
    auc = np.trapz(tpr_values, fpr_values)
    
    return auc

以上是一个简单的AUC计算函数，通过输入真实标签y_true和模型预测概率y_pred，就可以得到AUC值。

AUC计算流程示意图

sequenceDiagram
    participant User
    participant System
    
    User->>System: 输入真实标签y_true和预测概率y_pred
    System->>System: 对预测概率排序
    System->>System: 初始化tp、fp、tpr_values和fpr_values
    loop 对每个样本
        System->>System: 更新tp、fp
        System->>System: 计算tpr和fpr
        System->>System: 记录tpr和fpr的值
    end
    System->>System: 计算AUC值
    System->>User: 返回AUC值

上面的序列图展示了AUC计算的整个流程，从输入数据到计算AUC值的过程。

AUC结果展示

为了更直观地展示AUC的结果，我们可以绘制一个饼状图来显示不同AUC值的分布情况。

pie
    title AUC Distribution
    "AUC<0.5": 10
    "0.5<=AUC<0.7": 30
    "0.7<=AUC<0.9": 50
    "AUC>=0.9": 10

以上是一个简单的饼状图，展示了不同AUC值的分布情况。可以看到大部分模型的AUC值在0.7到0.9之间。

总结

通过上面的介绍，我们了解了AUC在机器学习中的重要性以及如何用Python手写一个AUC计算函数。同时，我们也展示了AUC计算的流程示意图和AUC分布的饼状图，希望对您有所帮助。在实际应用中，我们可以通过计算AUC来评估模型的分类效果，并做出相应的调整和优化。祝您在机器学习领域取得更好的成绩！