如何绘制敏感性和特异性的ROC？

Question

特异性=1-FPR 我修改了代码如下：

plt.plot(1-fpr, tpr, 'b', label = 'AUC = %0.2f' % roc_auc)

但这个数字似乎是错的。

这是我在报纸上看到的。

Answer 1

你对ROC曲线的理解有误。ROC曲线描绘了不同阈值下的真阳性率（敏感性）tpr = tp / (tp + fn)，而假阳性率（1-特异性）1 - (tn / (tn + fp)。现在，我看到你的标题表明你想要一个“敏感性和特异性的ROC”，但实际上这样的东西并不存在。解决敏感性和特异性的方法是通过ROC曲线。在

为了获得ROC曲线，将曲线图改为：

plt.plot(fpr, tpr, 'b', label = 'AUC = %0.2f' % roc_auc)

从上面的解释可以看出如何计算假阳性率和真阳性率。在

然后，在解释ROC曲线时，您希望您的分类器尽可能靠近左上角，表示低假阳性率（高特异性）和高真阳性率（高灵敏度）。也就是说，假阳性率并不代表特异性，而是特异性的阴性。这就是为什么你希望它是最小的。在

最后但并非最不重要的是，当涉及到ROC曲线时，通常会使人们感到困惑的是，X轴上没有1 - specificity，而是specificity。当发生这种情况时，值的方向将反转（如图中所示），因此它从1变为0，而不是从0到1。在