AUC计算方法与Python实现代码
-AUC计算方法
-AUC的Python实现方式
AUC计算方法
AUC是ROC曲线下的面积，它是机器学习用于二分类模型的评价指标，AUC反应的是模型对样本的排序能力。它的统计意义是从所有正样本随机抽取一个正样本，从所有负样本随机抽取一个负样本，当前score使得正样本排在负样本前面的概率。
AUC的计算主要以下几种方法：
1、计算ROC曲线下的面积。这是比较直接的一种方法，可以近似计算ROC曲线一个个小梯形的面积。几乎不会用这种方法
2、从AUC统计意义去计算。所有的正负样本对中，正样本排在负样本前面占样本对数的比例，即这个概率值。
具体的做法就是它也是首先对probscore从大到小排序，然后令最大probscore对应的sample的rank为n，第二大score对应sample的rank为n-1，以此类推。
然后把所有的正类样本的rank相加，再减去M-1种两个正样本组合的情况。
得到的就是所有的样本中有多少对正类样本的score大于负类样本的score。
最后再除以M×N。
公式如下：
AUC的Python实现
通过上面方法二的公式，AUC计算的Python实现如下：
defcalAUC(prob,labels): f=list(zip(prob,labels)) rank=[values2forvalues1,values2insorted(f,key=lambdax:x[0])] rankList=[i+1foriinrange(len(rank))ifrank[i]==1] posNum=0 negNum=0 foriinrange(len(labels)): if(labels[i]==1): posNum+=1 else: negNum+=1 auc=0 auc=(sum(rankList)-(posNum*(posNum+1))/2)/(posNum*negNum) print(auc) returnauc
其中输入prob是得到的概率值，labels是分类的标签（1，-1）
以上这篇AUC计算方法与Python实现代码就是小编分享给大家的全部内容了，希望能给大家一个参考，也希望大家多多支持毛票票。
声明：本文内容来源于网络，版权归原作者所有，内容由互联网用户自发贡献自行上传，本网站不拥有所有权，未作人工编辑处理，也不承担相关法律责任。如果您发现有涉嫌版权的内容，欢迎发送邮件至：czq8825#qq.com（发邮件时，请将#更换为@）进行举报，并提供相关证据，一经查实，本站将立刻删除涉嫌侵权内容。