sklearn.metrics.roc_auc_score?
sklearn.metrics.roc_auc_score(y_true, y_score, *, average='macro', sample_weight=None, max_fpr=None, multi_class='raise', labels=None)
根據預測分數計算接收器工作特性曲線下的面積（ROC AUC）。
注意：此實現可與二進制，多類和多標簽分類一起使用，但有一些限制（請參閱參數）。
在用戶指南中閱讀更多內容。
| 參數 | 說明 |
|---|---|
| y_true | array-like of shape (n_samples,) or (n_samples, n_classes) 真實標簽或二進制標簽指示符。二元和多類情況下期望形狀（n_samples,）的標簽，而多標簽情況則期望形狀（n_samples，n_classes）的二進制標簽指示符。 |
| y_score | array-like of shape (n_samples,) or (n_samples, n_classes) 目標分數。在二進制和多標簽的情況下，這些值可以是概率估計值，也可以是非閾值決策值（由某些分類器上的Decision_function返回）。在多類情況下，這些必須是總和為1的概率估計值。在二進制情況下，期望的形狀是（n_samples，），并且分數必須是標簽較大的類別的分數。 多類和多標簽的情況需要一個形狀（n_samples，n_classes）。在多類情況下，類分數的順序必須與標簽的順序（如果提供）相對應，或者與y_true中標簽的數字或詞典順序相對應。 |
| average | {‘micro’, ‘macro’, ‘samples’, ‘weighted’} or None, default=’macro’ 如果為None，則返回每個類的分數。否則，將根據數據的平均表現確定類型：注意：多類ROC AUC當前僅處理‘macro’和‘weighted’平均值。 - 'micro':通過將標簽指標矩陣的每個元素都視為標簽來全局計算指標。 - 'macro':計算每個標簽的指標，并找到其未加權平均值。此處未考慮標簽不平衡。 - 'weighted':計算每個標簽的指標，并找到它們的平均值，然后按支持率（每個標簽的真實實例數）加權。 - 'samples':計算每個實例的指標，并找到它們的平均值。 當y_true為二進制時將被忽略。 |
| sample_weight | array-like of shape (n_samples,), default=None 樣本權重。 |
| max_fpr | float > 0 and <= 1, default=None 如果不為None，則返回范圍為[0，max_fpr]的標準化部分AUC [2]。 對于多類情況，max_fpr應該等于None或1.0，因為多類當前不支持AUC ROC部分計算。 |
| multi_class | {‘raise’, ‘ovr’, ‘ovo’}, default=’raise’ 僅多類。確定要使用的配置類型。默認值引發錯誤，因此必須顯式傳遞'ovr'或'ovo'。 - 'ovr':計算每個類相對于其他類的AUC[3] [4]。這以與多標簽案例相同的方式對待多類別案例。 即使average=='macro'，也對類失衡敏感，因為類失衡會影響每個‘rest’分組的組成。 - 'ovo':計算類別的所有可能的成對組合的平均AUC [5]。 當均average == 'macro'時，對類失衡不敏感。 |
| labels | array-like of shape (n_classes,), default=None 僅多類。 索引y_score中的類的標簽列表。如果為None，則使用y_true中標簽的數字或字典順序。 |
| 返回值 | 說明 |
|---|---|
| auc | float |
另見：
precision-recall曲線下的面積
計算接收器工作特性（ROC）曲線
參考
1 Wikipedia entry for the Receiver operating characteristic
2 Analyzing a portion of the ROC curve. McClish, 1989
3 Provost, F., Domingos, P. (2000). Well-trained PETs: Improving probability estimation trees (Section 6.2), CeDER Working Paper #IS-00-04, Stern School of Business, New York University.
4 Fawcett, T. (2006). An introduction to ROC analysis. Pattern Recognition Letters, 27(8), 861-874.
5 Hand, D.J., Till, R.J. (2001). A Simple Generalisation of the Area Under the ROC Curve for Multiple Class Classification Problems. Machine Learning, 45(2), 171-186.
示例
>>> import numpy as np
>>> from sklearn.metrics import roc_auc_score
>>> y_true = np.array([0, 0, 1, 1])
>>> y_scores = np.array([0.1, 0.4, 0.35, 0.8])
>>> roc_auc_score(y_true, y_scores)
0.75
