如何在python中计算单类支持向量机的AUC？

Question

我很难在python中绘制OneClassSVM的AUC图（我使用sklearn，它会生成类似于[[tp, fp],[fn,tn]]和{}的混淆矩阵。在

from sklearn.metrics import roc_curve, auc
fpr, tpr, thresholds = roc_curve(y_test, y_nb_predicted)
roc_auc = auc(fpr, tpr) # this generates ValueError[1]
print "Area under the ROC curve : %f" % roc_auc
plt.plot(fpr, tpr, label='ROC curve (area = %0.2f)' % roc_auc)

我想处理错误[1]并为OneClassSVM绘制AUC。在

^{pr2}$

Answer 1

请参阅my answer中类似的问题。要点是：

• OneClassSVM基本上不支持将决策转换为概率分数，因此无法将必要的分数传递到需要改变分数阈值的函数中，例如ROC或精确召回曲线和分数。

• 您可以通过计算输入数据中OneClassSVM决策函数的最大值来近似这类分数，将其称为MAX，然后通过计算y_score = MAX - decision_function(y)对给定观察结果y进行评分。

• 使用这些分数作为y_score传递给诸如average_precision_score等函数，这些函数将接受非阈值分数而不是概率。

• 最后，请记住，ROC对于OneClassSVM的物理意义不大，特别是因为OneClassSVM适用于存在预期的和巨大的类不平衡（离群值与非离群值）的情况，ROC不会准确地在少量异常值上增加相对成功的权重。