特异性= 1-FPR
我将代码更改如下：
plt.plot(1-fpr, tpr, 'b', label = 'AUC = %0.2f' % roc_auc)
但是这个数字似乎是错误的。
这就是我在纸上看到的。
最佳答案
您对ROC曲线的理解有误。 ROC曲线绘制了在不同阈值下的真实阳性率（灵敏度）tpr = tp / (tp + fn)以及错误阳性率（1-特异性）1 - (tn / (tn + fp)。现在，我看到您的标题表明您想要“敏感性和特异性的ROC”，但实际上不存在这样的内容。解决敏感性和特异性的方法是通过ROC曲线。
为了获得ROC曲线，将图更改为：plt.plot(fpr, tpr, 'b', label = 'AUC = %0.2f' % roc_auc)
您可以从上面的说明中看到如何计算误报率和真正率。
然后，在解释ROC曲线时，您希望将分类器放置在尽可能靠近左上角的位置，以指示低的假阳性率（高特异性）和高的真阳性率（高灵敏度）。话虽如此，假阳性率并不代表特异性，而是代表阴性。这就是为什么您希望它最小化。
最后但并非最不重要的一点是，当涉及ROC曲线时，常常使人们感到困惑的情况是，当X轴上没有1 - specificity时，而是使用specificity。发生这种情况时，值的方向相反（如图所示），因此它从1变为0，而不是0变为1。
关于python - 如何得出灵敏度和特异性的ROC？，我们在Stack Overflow上找到一个类似的问题：https://stackoverflow.com/questions/53915862/