本文共 905 字，大约阅读时间需要 3 分钟。

本笔记来源于B站Up主: 有Li 的影像组学系列教学视频

• ROC 曲线

ROC = receiver operating characteristic curve, 受试者工作特征曲线

横坐标：FPR = false positive rate, 假阳

纵坐标：TPR = true positive rate, 真阳

ROC曲线上的点，表示在不同阈值时对应的FPR和TPR

上面的阈值指预测阳性概率为多大及以上时，判定为阳性

关注四个点来理解ROC曲线：

(0,0) ：FPR = 0，TPR = 0， 即全部预测N

(1,1) ：FPR = 1，TPR = 1，即全部预测P

(1,0) ：FPR = 1，TPR = 0，即全部预测错了

(1,1) ：FPR =1，TPR = 1， 即全部预测对了

• AUC = area under curve

代码(基于之前的数据结果)：

from sklearn.metrics import roc_curve, roc_auc_scorey_probs = model_svm.predict_proba(X)#print(y_probs)#print(y_probs[:,1])fpr,tpr,thresholds = roc_curve(y,y_probs[:,1],pos_label = 1)plt.plot(fpr,tpr,marker = 'o')plt.xlabel('fpr')plt.ylabel('tpr')plt.show()auc_score = roc_auc_score(y,model_svm.predict(X))print(auc_score)

#select the best thresholdJ = tpr - fpridx = argmax(J)best_threshold = thresholds[idx]

作者：北欧森林

链接：https://www.jianshu.com/p/496bb5f371d3

来源：简书，已获授权转载

RadiomicsWorld.com “影像组学世界”论坛：