python - scikit的一些bug学习auc函数？

这是代码和输出，我从输出中认为，这意味着当fpr为0时，tpr为0，这是正确的，因为预测结果将所有内容标记为0。

但是输出也表示，当fpr为1时，tpr也为1。我认为这是不正确的，因为预测变量永远不会预测某些东西为正（标签为1），所以fpr（=＃将1 /总数的1的正确预测和tpr（= 1的预测数/ 0的总数）的正确预测都设为1？

import numpy as np
from sklearn import metrics
y = np.array([0, 0, 0, 0, 0, 0, 0, 0, 0, 1])
pred = np.array([0, 0, 0, 0, 0, 0, 0, 0, 0, 0])
fpr, tpr, thresholds = metrics.roc_curve(y, pred)
print fpr
print tpr
print thresholds
print metrics.auc(fpr, tpr)

输出，

[ 0.  1.]
[ 0.  1.]
[1 0]
0.5

最佳答案

这两个插图将使您更好地了解如何计算FPR和TPR。

情况1：

y    = np.array([0, 0, 0, 0, 0, 0, 0, 0, 0, 1])
pred = np.array([0, 0, 0, 0, 0, 0, 0, 0, 0, 0])
#                                          -^- see the change here

真正= 0
误报= 0
真负= 9
假阴性= 1

真正比（tpr）=真正/（真正+假负）
因此，tpr = 0 /（0 + 1）= 0。

假阳性比率（fpr）=假阳性/（假阳性+真阴性）
因此，fpr = 0 /（0 + 9）= 0。

#Output:

fpr → [ 0.  1.]
tpr → [ 0.  1.]

情况2：

y    = np.array([0, 0, 0, 0, 0, 0, 0, 0, 0, 1])
pred = np.array([0, 0, 0, 0, 0, 0, 0, 0, 0, 1])
#                                          -^- see the change here

真实正数= 1
误报= 0
真负= 9
假负= 0

真正比（tpr）=真正/（真正+假负）
因此，tpr = 1 /（1 + 0）= 1。

误报率（fpr）=误报率/（误报率+真负值）
因此，fpr = 0 /（0 + 9）= 0。

#Output:

fpr → [ 0.  1.]
tpr → [ 1.  1.]

注意：

根据roc_curve documentation，明确指出阈值[0]表示没有实例被预测，并且被任意设置为max(pred)+1。
[这里是2分类任务]

当fpr和tpr计算时变为小数且无法量化为0或1时，此选项才有效。因此，threshold的范围为0、1、2。
例如，当pred数组的最后2个值变为1时，由于fpr和tpr变为小数，您将获得3个阈值。

但是在我们的例子中，fpr和tpr均为0或1，因此不需要threshold的第三个值。

同样，fpr和tpr中的数组元素都形成一个递增的序列，即从0→1变化并且必须满足形状> =2。因此，必须将数组中的0和1都作为数组起始值和最终值。

如果fpr和tpr的分数值为零，则中间列将包含这些值，在数组的任一侧用0和1包围。

关于python - scikit的一些bug学习auc函数？，我们在Stack Overflow上找到一个类似的问题：https://stackoverflow.com/questions/39220293/