当前位置： 首页 > news >正文

【详细教程】ROC曲线的计算方式与绘制方法详细介绍

news 2025/5/11 12:37:18

《------往期经典推荐------》

一、AI应用软件开发实战专栏【链接】

项目名称项目名称
1.【人脸识别与管理系统开发】2.【车牌识别与自动收费管理系统开发】
3.【手势识别系统开发】4.【人脸面部活体检测系统开发】
5.【图片风格快速迁移软件开发】6.【人脸表表情识别系统】
7.【YOLOv8多目标识别与自动标注软件开发】8.【基于深度学习的行人跌倒检测系统】
9.【基于深度学习的PCB板缺陷检测系统】10.【基于深度学习的生活垃圾分类目标检测系统】
11.【基于深度学习的安全帽目标检测系统】12.【基于深度学习的120种犬类检测与识别系统】
13.【基于深度学习的路面坑洞检测系统】14.【基于深度学习的火焰烟雾检测系统】
15.【基于深度学习的钢材表面缺陷检测系统】16.【基于深度学习的舰船目标分类检测系统】
17.【基于深度学习的西红柿成熟度检测系统】18.【基于深度学习的血细胞检测与计数系统】
19.【基于深度学习的吸烟/抽烟行为检测系统】20.【基于深度学习的水稻害虫检测与识别系统】
21.【基于深度学习的高精度车辆行人检测与计数系统】22.【基于深度学习的路面标志线检测与识别系统】
23.【基于深度学习的智能小麦害虫检测识别系统】24.【基于深度学习的智能玉米害虫检测识别系统】
25.【基于深度学习的200种鸟类智能检测与识别系统】26.【基于深度学习的45种交通标志智能检测与识别系统】
27.【基于深度学习的人脸面部表情识别系统】28.【基于深度学习的苹果叶片病害智能诊断系统】
29.【基于深度学习的智能肺炎诊断系统】30.【基于深度学习的葡萄簇目标检测系统】
31.【基于深度学习的100种中草药智能识别系统】32.【基于深度学习的102种花卉智能识别系统】
33.【基于深度学习的100种蝴蝶智能识别系统】34.【基于深度学习的水稻叶片病害智能诊断系统】
35.【基于与ByteTrack的车辆行人多目标检测与追踪系统】36.【基于深度学习的智能草莓病害检测与分割系统】
37.【基于深度学习的复杂场景下船舶目标检测系统】38.【基于深度学习的农作物幼苗与杂草检测系统】
39.【基于深度学习的智能道路裂缝检测与分析系统】40.【基于深度学习的葡萄病害智能诊断与防治系统】
41.【基于深度学习的遥感地理空间物体检测系统】42.【基于深度学习的无人机视角地面物体检测系统】
43.【基于深度学习的木薯病害智能诊断与防治系统】44.【基于深度学习的野外火焰烟雾检测系统】
45.【基于深度学习的脑肿瘤智能检测系统】46.【基于深度学习的玉米叶片病害智能诊断与防治系统】
47.【基于深度学习的橙子病害智能诊断与防治系统】48.【基于深度学习的车辆检测追踪与流量计数系统】
49.【基于深度学习的行人检测追踪与双向流量计数系统】50.【基于深度学习的反光衣检测与预警系统】
51.【基于深度学习的危险区域人员闯入检测与报警系统】52.【基于深度学习的高密度人脸智能检测与统计系统】
53.【基于深度学习的CT扫描图像肾结石智能检测系统】54.【基于深度学习的水果智能检测系统】
55.【基于深度学习的水果质量好坏智能检测系统】56.【基于深度学习的蔬菜目标检测与识别系统】
57.【基于深度学习的非机动车驾驶员头盔检测系统】58.【太基于深度学习的阳能电池板检测与分析系统】
59.【基于深度学习的工业螺栓螺母检测】60.【基于深度学习的金属焊缝缺陷检测系统】
61.【基于深度学习的链条缺陷检测与识别系统】62.【基于深度学习的交通信号灯检测识别】
63.【基于深度学习的草莓成熟度检测与识别系统】64.【基于深度学习的水下海生物检测识别系统】
65.【基于深度学习的道路交通事故检测识别系统】66.【基于深度学习的安检X光危险品检测与识别系统】
67.【基于深度学习的农作物类别检测与识别系统】68.【基于深度学习的危险驾驶行为检测识别系统】
69.【基于深度学习的维修工具检测识别系统】70.【基于深度学习的维修工具检测识别系统】
71.【基于深度学习的建筑墙面损伤检测系统】72.【基于深度学习的煤矿传送带异物检测系统】
73.【基于深度学习的老鼠智能检测系统】74.【基于深度学习的水面垃圾智能检测识别系统】
75.【基于深度学习的遥感视角船只智能检测系统】76.【基于深度学习的胃肠道息肉智能检测分割与诊断系统】
77.【基于深度学习的心脏超声图像间隔壁检测分割与分析系统】78.【基于深度学习的心脏超声图像间隔壁检测分割与分析系统】
79.【基于深度学习的果园苹果检测与计数系统】80.【基于深度学习的半导体芯片缺陷检测系统】
81.【基于深度学习的糖尿病视网膜病变检测与诊断系统】82.【基于深度学习的运动鞋品牌检测与识别系统】
83.【基于深度学习的苹果叶片病害检测识别系统】84.【基于深度学习的医学X光骨折检测与语音提示系统】
85.【基于深度学习的遥感视角农田检测与分割系统】86.【基于深度学习的运动品牌LOGO检测与识别系统】
87.【基于深度学习的电瓶车进电梯检测与语音提示系统】88.【基于深度学习的遥感视角地面房屋建筑检测分割与分析系统】
89.【基于深度学习的医学CT图像肺结节智能检测与语音提示系统】90.【基于深度学习的舌苔舌象检测识别与诊断系统】
91.【基于深度学习的蛀牙智能检测与语音提示系统】92.【基于深度学习的皮肤癌智能检测与语音提示系统】

二、机器学习实战专栏【链接】，已更新31期，欢迎关注，持续更新中~~
三、深度学习【Pytorch】专栏【链接】
四、【Stable Diffusion绘画系列】专栏【链接】
五、YOLOv8改进专栏【链接】，持续更新中~~
六、YOLO性能对比专栏【链接】，持续更新中~

《------正文------》

目录

  • ROC介绍
  • 1. 基本原理
  • 2. 示例
    • **步骤1：准备数据**
    • 步骤2：排序与阈值选择
    • 步骤3：绘制ROC曲线
  • 3.代码实现
  • **4. 关键点总结**

ROC介绍

ROC曲线（Receiver Operating Characteristic Curve）是一种用于评估二分类模型性能的工具，通过绘制不同阈值下的真阳性率（TPR）和假阳性率（FPR）来直观反映模型的分类能力。以下是其基本原理和分步骤示例：

1. 基本原理

在这里插入图片描述

  • 核心指标：
    • 真阳性率（TPR）： T P R = T P T P + F N TPR = \frac{TP}{TP + FN} TPR=TP+FNTP​，表示实际为正例的样本中被正确预测的比例。TPR越大意味着TP越大，也就意味着对于测试样本中的所有正例来说，其中大部分都被学习器预测正确。
    • 假阳性率（FPR）： F P R = F P F P + T N FPR = \frac{FP}{FP + TN} FPR=FP+TNFP​，表示实际为负例的样本中被错误预测的比例。FPR越小意味着FP越小、TN越大，也就意味着FPR越小，则对于测试样例中的所有反例来说，其中大部分被学习器预测正确。
  • ROC曲线：以FPR为横轴、TPR为纵轴，通过调整分类阈值生成一系列点并连接成曲线。曲线越靠近左上角，模型性能越好。一个好的模型是TPR大PFR偏小的。

2. 示例

步骤1：准备数据

假设有以下测试集预测结果（二分类）：

样本预测概率（正类）真实标签
A0.951
B0.851
C0.700
D0.551
E0.300

上述表格中，第一列代表样本名称；第二列代表预测为样本被预测为正例的概率；第三列代表样本的真实标签，1代表正例，0代表负例。
正例数目：P=3
负例数目：N=2

步骤2：排序与阈值选择

将样本按预测概率从高到低排序，依次以每个概率值为阈值计算TPR和FPR：

  1. 阈值=0.95：
    • 预测为正例：A（TP=1），其余为负例（FN=2【B,D】, FP=0, TN=2【C,E】）。
    • T P R = 1 / 3 ≈ 0.33 TPR = 1/3 \approx 0.33 TPR=1/3≈0.33, F P R = 0 / 2 = 0 FPR = 0/2 = 0 FPR=0/2=0。
  2. 阈值=0.85：
    • 预测为正例：A, B（TP=2）,其余为负例（FN=1【D】, FP=0, TN=2【C,E】）。
    • T P R = 2 / 3 ≈ 0.67 TPR = 2/3 \approx 0.67 TPR=2/3≈0.67, F P R = 0 / 2 = 0 FPR = 0/2=0 FPR=0/2=0。
  3. 阈值=0.70：
    • 预测为正例：A, B, C（TP=2【A,B】, FP=1【C】）,其余为负例（FN=1【D】, TN=1【E】）。
    • T P R = 2 / 3 ≈ 0.67 TPR = 2/3 \approx 0.67 TPR=2/3≈0.67, F P R = 1 / 2 = 0.5 FPR = 1/2 = 0.5 FPR=1/2=0.5。
  4. 阈值=0.55：
    • 预测为正例：A, B, D（TP=3【A,B,D】, FP=1【C】）,其余为负例（FN=0, TN=1【E】）。
    • T P R = 1 TPR = 1 TPR=1, F P R = 1 / 2 = 0.5 FPR = 1/2 =0.5 FPR=1/2=0.5。
  5. 阈值=0.30：
    • 所有样本为正例（TP=3【A,B,D】, FP=2【C,E】）,FN=0,TN=0。
    • T P R = 1 TPR = 1 TPR=1, F P R = 1 FPR = 1 FPR=1。

步骤3：绘制ROC曲线

将上述(FPR, TPR)点连接成曲线：

  • 点序列：(0, 0.33), (0, 0.67), (0.5, 0.67), (0.5, 1), (1, 1)。
  • AUC计算：通过梯形法或曼-惠特尼U统计量计算曲线下面积（本例AUC≈0.83）。

3.代码实现

下面我们通过代码实现ROC曲线的绘制以及AUC面积计算。

# --coding:utf-8--
from sklearn.metrics import roc_curve, auc
import matplotlib.pyplot as plt
import matplotlib
matplotlib.use('TkAgg')# 真实标签
y_true = [1, 1, 0, 1, 0]
# 每个标签预测为正例的概率
y_score = [0.95, 0.85, 0.70, 0.55, 0.30]fpr, tpr, _ = roc_curve(y_true, y_score)
roc_auc = auc(fpr, tpr)plt.plot(fpr, tpr, label=f'ROC (AUC={roc_auc:.2f})')
plt.plot([0, 1], [0, 1], 'k--')  # 随机分类线
plt.xlabel('FPR')
plt.ylabel('TPR')
plt.legend()
plt.show()

运行结果：
在这里插入图片描述

4. 关键点总结

  • 阈值选择：ROC曲线通过遍历所有可能的阈值生成，反映模型在不同误判代价下的表现。
  • AUC意义：AUC值越接近1，模型区分能力越强；0.5表示无判别力。
  • 多分类扩展：可通过OvR策略为每个类别单独绘制ROC曲线。

通过上述步骤，可以清晰理解ROC曲线的计算逻辑和实际应用。

在这里插入图片描述

好了，这篇文章就介绍到这里，喜欢的小伙伴感谢给点个赞和关注，更多精彩内容持续更新~~
关于本篇文章大家有任何建议或意见，欢迎在评论区留言交流！

http://www.xdnf.cn/news/322525.html

相关文章：

  • XMP-Toolkit-SDK 编译与示例程序
  • 大数据处理利器：Hadoop 入门指南
  • 代码随想录图论part4
  • 【Python Number(数字)】
  • 欧姆龙 PLC串口转网口模块cjcp系列SG-CJCP-110
  • 2021-11-11 C++泰勒sin(x)以2步进乘方除以阶乘加减第N项
  • 学习Linux的第四天
  • 前后端开发---分离 和 不分离开发
  • python批量配置交换机简单实现
  • 多功能气体检测报警系统，精准监测，守护安全
  • 【MATLAB代码解析】基于蜜蜂交配优化算法的排列组合优化问题MATLAB实现
  • ECMAScript 2016（ES2016）：JavaScript 生态的精细化完善
  • 【Python】在for循环里记录报错的次数error，如果遇到连续发生错误 X次时，则跳出循环的写法
  • 追踪大型语言模型的思想（上）（来自针对Claude的分析）
  • 可视化魔法指南
  • Whistle无权限访问本地文件
  • 【javascript】console对象
  • 邮件发送频率如何设置？尊重文化差异是关键！
  • 双线性配对
  • 算法设计与分析实验题-序列对齐
  • 电商双11美妆数据分析（二）
  • Unity WebGL、js发布交互
  • ROBOVERSE：面向可扩展和可泛化机器人学习的统一平台、数据集和基准
  • leetcode文件级全局变量会在测试用例之间相互影响
  • 浅谈C++的new和delete
  • 使用mindie部署qwen2_vl分析视频
  • 线程池详解,生命周期,线程池种类，预热
  • day18 python聚类分析对数据集模型性能影响
  • Content-Type使用场景及示例
  • 阿里云2核2g安装nexus