-AUC計算方法

-AUC的Python實現(xiàn)方式

AUC計算方法

AUC是ROC曲線下的面積，它是機器學習用于二分類模型的評價指標，AUC反應的是模型對樣本的排序能力。它的統(tǒng)計意義是從所有正樣本隨機抽取一個正樣本，從所有負樣本隨機抽取一個負樣本，當前score使得正樣本排在負樣本前面的概率。

AUC的計算主要以下幾種方法：

1、計算ROC曲線下的面積。這是比較直接的一種方法，可以近似計算ROC曲線一個個小梯形的面積。幾乎不會用這種方法

2、從AUC統(tǒng)計意義去計算。所有的正負樣本對中，正樣本排在負樣本前面占樣本對數(shù)的比例，即這個概率值。

具體的做法就是它也是首先對prob score從大到小排序，然后令最大prob score對應的sample 的rank為n，第二大score對應sample的rank為n-1，以此類推。

然后把所有的正類樣本的rank相加，再減去M-1種兩個正樣本組合的情況。

得到的就是所有的樣本中有多少對正類樣本的score大于負類樣本的score。

最后再除以M×N。

公式如下：

AUC的Python實現(xiàn)

通過上面方法二的公式，AUC計算的Python實現(xiàn)如下：

def calAUC(prob,labels): f = list(zip(prob,labels)) rank = [values2 for values1,values2 in sorted(f,key=lambda x:x[0])] rankList = [i+1 for i in range(len(rank)) if rank[i]==1] posNum = 0 negNum = 0 for i in range(len(labels)): if(labels[i]==1): posNum+=1 else: negNum+=1 auc = 0 auc = (sum(rankList)- (posNum*(posNum+1))/2)/(posNum*negNum) print(auc) return auc

其中輸入prob是得到的概率值，labels是分類的標簽（1，-1）

以上這篇AUC計算方法與Python實現(xiàn)代碼就是小編分享給大家的全部內(nèi)容了，希望能給大家一個參考，也希望大家多多支持好吧啦網(wǎng)。