多分类ROC曲线-宏平均

对于分类器，或者说分类算法，评价指标主要有precision，recall，F-score1，以及即将要讨论的ROC和AUC。本文通过对这些指标的原理做一个简单的介绍，然后用python分别实现二分类和多分类的ROC曲线。 1 基本概念 一个分类模型(分类器)是一个将某个实例映射到一个特定类的过程.分类器的结果可以是给出该实例所属的类别，也可以给定该实例属于某个类别的概率。 首先来...

如今，ROC 曲线已经被广泛应用于机器学习领域的模型评估，说到这里就不得不提到 Tom Fawcett 大佬，他一直在致力于推广 ROC 在机器学习领域的应用，他发布的论文《An introduction to ROC analysis》更是被奉为 ROC 的经典之作（引用 2.2w 次），知名机器学习库 scikit-learn 中的 ROC 算法就是参考此论文实现，可见其影响力！

我们通常说的ROC曲线的中文全称叫做接收者操作特征曲线（receiver operating characteristic curve），也被称为感受性曲线。该曲线有两个维度，横轴为fpr（假正率），纵轴为tpr（真正率）这幅曲线的每个点都对应一个（fpr，tpr），看过之前混淆矩阵的话，感觉一堆数据好像最终只能算出一个fpr和tpr，那是如何获得这么多的点的呢？我们y会有一个预测为正类的概率。

一文教你绘制多分类任务的ROC曲线-宏平均ROC曲线（案例+源码）

ROC曲线绘制要点（仅记录）

上一篇博客（https://blog.csdn.net/u010505915/article/details/106394765）介绍了二分类下的ROC曲线及AUC计算，本文主要介绍多分类下的ROC曲线及AUC计算。 对于多分类数据，假设测试样本个数为m，分类个数为n（分类label分别为：1，2，...，n），可以将这些样本及对应的label表示为矩阵形式，每行一个样本，每列为该样本是否属于该分类，从而形成一个[m, n]的标签矩阵： ID 分类1 分类2 分类3 A 1

基本概念 precision：预测为对的当中，原本为对的比例（越大越好，1为理想状态） recall：原本为对的当中，预测为对的比例（越大越好，1为理想状态） F-measure：F度量是对准确率和召回率做一个权衡（越大越好，1为理想状态，此时precision为1，recall为1） accuracy：预测对的（包括原本是对预测为对，原本是错的预测为错两种情形）占整个的比例（越大越好，1为理想...

本文主要介绍一下多分类下的ROC曲线绘制和AUC计算，并以鸢尾花数据为例，简单用python进行一下说明。如果对ROC和AUC二分类下的概念不是很了解，可以先参考下这篇文章：http://blog.csdn.net/ye1215172385/article/details/79448575 由于ROC曲线是针对二分类的情况，对于多分类问题，ROC曲线的获取主要有两...

二分类及多分类ROC曲线的绘制 二分类及多分类PR曲线的绘制

混淆矩阵 TP(真阳) FP(假阳) FN(假阴) TN(真阴) ROC曲线 在理解ROC曲线之前，我们需要知道FPR(False Positive Rate)和TPR(True Positive Rate)： FPR=FP/(FP+TN)，即预测为正样本（实际为负样本）占所有负样本的比例。 TPR=TP/(TP+FN)，即预测为正样本（实际为正样本）占所有正样本的比例。 roc曲线：就是以FPR为横坐标，TPR为纵坐标，通过设定不同的阈值而绘制出许多坐标点，用这些坐标点拟合出一条曲线，

from sklearn.metrics import confusion_matrix, roc_curve, aucfrom sklearn.preprocessing import label_binarizeimport numpy as npy_test_bi = label_binarize(y_test, classes=[0,1,2,3,4,5,6,7,8,9,10,11,12,1...

ROC曲线，全称Receiver Operating Characteristic Curve（受试者特征曲线）。ROC曲线由灵敏度为纵轴，（1-特异度）为横轴绘制而成。通过绘制ROC曲线可以让读者直观地看到某指标各取值对结局指标的诊断或预测能力。其中名词解释：灵敏度(sensitivity)，即敏感度，是指筛检方法能将实际有病的人正确地判定为患者的比例。特异度(specificity)，是指筛检方法能将实际无病的人正确地判定为非患者的比例。

本文将介绍： 混淆矩阵（Confusion Matrix） 准确率（accuracy） 召回率（recall） 精确率（precision） F1score ROC和AUC 宏平均(macro avg) 微平均(micro avg) 加权平均(weighted avg) 一，混淆矩阵（Confusion Matrix） 在n分类模型中，使用n行n列的矩阵形式来表示精度，纵列代表n个分类，在每行中的n个数据代表分别预测在每个类别的个数，完美的预测应该是一个列序数=行中有数据的索引数的一条斜线。 TP：

ROC/AUC

PR曲线（Precision-Recall curve）是另一种评估分类模型性能的工具，通常用于处理不平衡数据集或关注于正类别（少数类别）的分类问题。在PR曲线中，横轴表示召回率（Recall），纵轴表示精确率（Precision）。召回率是指被模型正确识别为正类别的样本数占所有真实正类别样本数的比例，精确率是指被模型正确识别为正类别的样本数占所有模型判定为正类别的样本数的比例。

** ROC的含义及画法 ** ROC的全名叫做Receiver Operating Characteristic（受试者工作特征曲线 ），又称为感受性曲线（sensitivity curve）。得此名的原因在于曲线上各点反映着相同的感受性，它们都是对同一信号刺激的反应，只不过是在几种不同的判定标准下所得的结果而已。其主要分析工具是一个画在二维平面上的曲线——ROC 曲线。ROC曲线以真正例率TPR为纵轴，以假正例率FPR为横轴，在不同的阈值下获得坐标点，并连接各个坐标点，得到ROC曲线。 对于一个分类任务

文章目录一、四个基本概念 TP、FP、TN、FN二、精确率（precision）、召回率（recall）、准确率（accuracy）三、F1-Score（F1分数）四、宏平均 Macro-F1 、微平均 Micro-F1、加权平均 Weighted avg五、混淆矩阵（Confusion Matrix）六、ROC 曲线和 AUC（Area Under the Curve，曲线下面积） 一、四个基本概念 TP、FP、TN、FN 真阳性：预测为正，实际为正。把正样本成功预测为正。 TP——True Posit