首页 > 代码库 > 计算auc的代码-python
计算auc的代码-python
自己写的计算auc的代码，用scikit-learn的auc计算函数sklearn.metrics.auc(x, y, reorder=False)做了一些测试，结果是一样的，如有错误，欢迎指正。
思路：1.首先对预测值进行排序，排序的方式用了python自带的函数sorted，详见注释。
2.对所有样本按照预测值从小到大标记rank，rank其实就是index+1，index是排序后的sorted_pred数组中的索引
3.将所有正样本的rank相加，遇到预测值相等的情况，不管样本的正负性，对rank要取平均值再相加
4.将rank相加的和减去正样本排在正样本之后的情况，再除以总的组合数，得到auc
1 # -*- coding: utf-8 -*- 2 """ 3 Created on Wed May 3 10:48:28 2017 4 5 @author: Vincent 6 """ 7 import numpy as np 8 from sklearn import metrics 9 y = np.array( [1, 0, 0, 1, 1, 1, 0, 1, 1, 1])10 pred = np.array([0.9, 0.9,0.8, 0.8, 0.7,0.7,0.7,0.6,0.5,0.4])11 fpr, tpr, thresholds = metrics.roc_curve(y, pred, pos_label=1)12 print(metrics.auc(fpr, tpr))13 def getAuc(labels, pred) :14 ‘‘‘将pred数组的索引值按照pred[i]的大小正序排序，返回的sorted_pred是一个新的数组，15 sorted_pred[0]就是pred[i]中值最小的i的值，对于这个例子，sorted_pred[0]=816 ‘‘‘17 sorted_pred = sorted(range(len(pred)), key = lambda i : pred[i])18 pos = 0.0 #正样本个数19 neg = 0.0 #负样本个数20 auc = 0.0 21 last_pre = pred[sorted_pred[0]]22 count = 0.023 pre_sum = 0.0 #当前位置之前的预测值相等的rank之和，rank是从1开始的，所以在下面的代码中就是i+124 pos_count = 0.0 #记录预测值相等的样本中标签是正的样本的个数25 for i in range(len(sorted_pred)) :26 if labels[sorted_pred[i]] > 0:27 pos += 1 28 else:29 neg += 1 30 if last_pre != pred[sorted_pred[i]]: #当前的预测概率值与前一个值不相同31 #对于预测值相等的样本rank需要取平均值，并且对rank求和32 auc += pos_count * pre_sum / count 33 count = 1 34 pre_sum = i + 1 #更新为当前的rank 35 last_pre = pred[sorted_pred[i]] 36 if labels[sorted_pred[i]] > 0:37 pos_count = 1 #如果当前样本是正样本 ，则置为138 else:39 pos_count = 0 #反之置为040 else:41 pre_sum += i + 1 #记录rank的和42 count += 1 #记录rank和对应的样本数，pre_sum / count就是平均值了43 if labels[sorted_pred[i]] > 0:#如果是正样本44 pos_count += 1 #正样本数加145 auc += pos_count * pre_sum / count #加上最后一个预测值相同的样本组46 auc -= pos *(pos + 1) / 2 #减去正样本在正样本之前的情况47 auc = auc / (pos * neg) #除以总的组合数48 return auc49 print(getAuc(y, pred))
计算auc的代码-python
声明：以上内容来自用户投稿及互联网公开渠道收集整理发布，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，若内容有误或涉及侵权可进行投诉： 投诉/举报 工作人员会在5个工作日内联系你，一经查实，本站将立刻删除涉嫌侵权内容。