开发者社区

文档建议反馈控制台

最新优惠活动

文章/答案/技术大牛

发布

在Python中手工计算AUC

（Area Under the Curve）可以通过以下步骤实现：

首先，导入必要的库，如numpy和sklearn.metrics。

import numpy as np
from sklearn.metrics import roc_auc_score

准备真实标签和预测概率值。假设真实标签为y_true，预测概率值为y_pred。

y_true = np.array([0, 1, 1, 0, 1])
y_pred = np.array([0.2, 0.6, 0.8, 0.3, 0.9])

使用numpy.argsort函数根据预测概率值对真实标签进行排序。

sorted_indices = np.argsort(y_pred)

根据排序后的真实标签计算正样本的秩次和负样本的秩次。

positive_ranks = np.sum(y_true[sorted_indices] == 1)
negative_ranks = np.sum(y_true[sorted_indices] == 0)

计算AUC值。

auc = (positive_ranks - (positive_ranks * (positive_ranks + 1)) / 2) / (positive_ranks * negative_ranks)

打印AUC值。

print("手工计算的AUC值为:", auc)

完整代码如下：

import numpy as np
from sklearn.metrics import roc_auc_score

y_true = np.array([0, 1, 1, 0, 1])
y_pred = np.array([0.2, 0.6, 0.8, 0.3, 0.9])

sorted_indices = np.argsort(y_pred)
positive_ranks = np.sum(y_true[sorted_indices] == 1)
negative_ranks = np.sum(y_true[sorted_indices] == 0)

auc = (positive_ranks - (positive_ranks * (positive_ranks + 1)) / 2) / (positive_ranks * negative_ranks)

print("手工计算的AUC值为:", auc)

AUC是评估二分类模型性能的常用指标，它代表了ROC曲线下的面积，范围在0到1之间，值越大表示模型性能越好。AUC值为0.5时表示模型性能等同于随机猜测，大于0.5时表示模型优于随机猜测。

推荐的腾讯云相关产品和产品介绍链接地址：

腾讯云机器学习平台（https://cloud.tencent.com/product/tensorflow）
腾讯云人工智能开发平台（https://cloud.tencent.com/product/ai）
腾讯云云服务器（https://cloud.tencent.com/product/cvm）
腾讯云云数据库（https://cloud.tencent.com/product/cdb）
腾讯云云存储（https://cloud.tencent.com/product/cos）
腾讯云区块链服务（https://cloud.tencent.com/product/bcs）
腾讯云物联网平台（https://cloud.tencent.com/product/iotexplorer）
腾讯云移动开发平台（https://cloud.tencent.com/product/mobdev）
腾讯云音视频处理（https://cloud.tencent.com/product/mps）
腾讯云云原生应用平台（https://cloud.tencent.com/product/tke）
腾讯云网络安全（https://cloud.tencent.com/product/ddos）
腾讯云服务器运维（https://cloud.tencent.com/product/cwp）
腾讯云元宇宙（https://cloud.tencent.com/product/tencent-meta-universe）

相关搜索:Pyspark中的二进制分类计算器AUC得分 Python AUC计算用于无监督异常检测(隔离林，椭圆包络，...)python中的库用于神经网络绘制ROC,AUC,DET python在云计算 R中的glht函数与手工计算的结果不同 R中随机森林模型的AUC计算 VBA在Excel中的应用及手工计算净现值为什么用纯python计算ROC-AUC得分太长？使用元组作为缓存键的Python函数中的手工记忆在matlab中手工制作卷积

相关搜索:

页面内容是否对你有帮助？

有帮助

没帮助

相关·内容

R语言计算AUC（ROC曲线）的注意事项

并详细介绍了如何手动计算真阳性率/假阳性率，以及怎样计算多个，并把点连接成线，变成ROC曲线：ROC曲线纯手工绘制

01

AUC计算方法与Python实现代码

AUC是ROC曲线下的面积，它是机器学习用于二分类模型的评价指标，AUC反应的是模型对样本的排序能力。它的统计意义是从所有正样本随机抽取一个正样本，从所有负样本随机抽取一个负样本，当前score使得正样本排在负样本前面的概率。

01

机器学习-ROC曲线：技术解析与实战应用

机器学习和数据科学在解决复杂问题时，经常需要评估模型的性能。其中，ROC（Receiver Operating Characteristic）曲线是一种非常有用的工具，被广泛应用于分类问题中。该工具不仅在医学检测、信号处理中有着悠久的历史，而且在近年来的机器学习应用中也显得尤为关键。

01

Python绘制ROC曲线

绘制ROC曲线主要基于python 的sklearn库中的两个函数，roc_curv和auc两个函数。roc_curv 用于计算出fpr（假阳性率）和tpr（真阳性率）auc用于计算曲线下面积，输入为fpr、和tpr

01

图机器学习(GML)&图神经网络(GNN)原理和代码实现(前置学习系列二）

项目链接：https://aistudio.baidu.com/aistudio/projectdetail/4990947?contributionType=1 文章篇幅有限，部分程序出图不一一展示

03

分类模型评估的方法及Python实现

作者：李小文，先后从事过数据分析、数据挖掘工作，主要开发语言是Python，现任一家小型互联网公司的算法工程师。

01

【SLAM】开源 | DeepSeqSLAM：可训练的CNN+RNN的联合全局描述和基于序列的位置识别

论文地址： https://arxiv.org/pdf/2011.08518.pdf

02

分类模型评估的方法及Python实现

提到分类模型评估相信大家应该都不会觉得陌生（不陌生你点进来干嘛[捂脸]），本文就分类模型评估的基本原理进行讲解，并手把手、肩并肩地带您实现各种评估函数。完整实现代码请参考本人的p...哦不是...github：https://github.com/tushushu/imylu/blob/master/imylu/utils/model_selection.py

03

多指标联合诊断的ROC曲线

关于ROC曲线，前前后后写了很多篇推文，关于二分类数据和生存资料的都有，目前只有多指标联合诊断的ROC曲线还没介绍了，今天就介绍多指标联合诊断的ROC曲线。

02

南开大学提出新物体分割评价指标，相比经典指标错误率降低 69.23%

---- 新智元专栏作者：范登平（南开大学）【新智元导读】南开大学媒体计算实验室等研究团队从人类视觉系统对场景结构非常敏感的角度出发，提出一种新颖、高效且易于计算的结构性度量 (S-measure) 来评估非二进制前景图，进而使得评估不需要像传统AUC曲线那样通过繁琐且不可靠的多阈值化来计算精度、召回率，仅通过简单的计算(5.3ms)就可以得到非常可靠的评价结果，成为该领域第一个简单的专用评价指标。相关研究已被ICCV 2017录用为spotlight paper，第一作者南开大学博士生范登

08

图机器学习(GML)&图神经网络(GNN)原理和代码实现(前置学习系列二）

项目链接：https://aistudio.baidu.com/aistudio/projectdetail/4990947?contributionType=1 欢迎fork欢迎三连！文章篇幅有限，

02

趣析逻辑回归模型评价指标

Python 实现的逻辑回归后，不像 SAS 那样会自动给出模型精确度的评价，需要人为操作计算 Python 专属的 AUC (Area Under Curve)，ROC 曲线与 X 轴围成的面积大小反映了模型的精度。本文将着重 AUC 值和 ROC 曲线背后的原理和 Python 代码实现。

01

【基础】模型评估指标 AUC 和 ROC，这是我看到的最透彻的讲解

blog.csdn.net/liweibin1994/article/details/79462554

05

Sci. Adv. | 治疗性遗传靶点的全表型识别

今天为大家介绍的是来自Dimitrios Vitsios团队的一篇论文。人类基因组数据集的持续扩展推动了治疗靶点的识别，然而，从基因注释中提取基因-疾病关联仍然具有挑战性。在这里，作者介绍了Mantis-ML 2.0这一框架，它整合了阿斯利康的生物学洞察力知识图谱与多个表格数据集，评估了整个表型组的基因-疾病概率。作者使用图神经网络，捕捉图的整体结构，并在数百个平衡数据集上通过一个鲁棒的半监督学习框架进行训练，以提供人类外显子组的基因-疾病概率。Mantis-ML 2.0结合了自然语言处理，自动化数千种疾病的疾病相关特征选择。改进的模型展示了平均6.9%的分类能力提升，实现了在5220种来自人类表型本体、OpenTargets和英国基因组学的疾病上的中位接收者操作特征(ROC)曲线下面积(AUC)得分为0.90。值得注意的是，Mantis-ML 2.0优先考虑了来自独立的英国生物库表型广泛关联研究(PheWAS)的关联，提供了一种更强的分选方式，并减轻了PheWAS关联的不足。

01

机器学习分类问题：9个常用的评估指标总结

你好，我是zhenguo 对机器学习的评估度量是机器学习核心部分，本文总结分类问题常用的metrics 分类问题评估指标在这里，将讨论可用于评估分类问题预测的各种性能指标 1 Confusion Matrix 这是衡量分类问题性能的最简单方法，其中输出可以是两种或更多类型的类。混淆矩阵只不过是一个具有两个维度的表，即“实际”和“预测”，此外，这两个维度都有“真阳性（TP）”、“真阴性（TN）”、“假阳性（FP）”和“假阴性（FN）”，如下所示：与混淆矩阵相关的术语解释如下： -真阳（TP）− 当数据点

01

模型评价指标—ROC曲线

对于分类模型，在建立好模型后，我们想对模型进行评价，常见的指标有混淆矩阵、F1值、KS曲线、ROC曲线、AUC面积等。

04

【二】分布式训练---参数服务器训练（飞桨paddle1.8）

如图所示，参数服务器主要包含Server和Worker两个部分，其中Server负责参数的存储和更新，而Worker负责训练。简单来说，参数服务器训练的基本思路：当训练数据过多，一个Worker训练太慢时，可以引入多个Worker同时训练，这时Worker之间需要同步模型参数。直观想法是，引入一个Server，Server充当Worker间参数交换的媒介。当模型参数过大以至于单机存储空间不足时或Worker过多导致一个Server是瓶颈时，就需要引入多个Server。

02

Angel推荐算法在游戏推荐中的应用

文章作者：王培军腾讯高级工程师整理编辑：李沛欣出品平台：DataFunTalk、AI启蒙者导读：Angel是腾讯自研的分布式高性能的机器学习平台，支持机器学习、深度学习、图计算以及联邦学习等场景。Angel的深度学习平台已应用在腾讯的很多个场景中。本次分享为大家介绍Angel推荐算法在游戏推荐中的应用。主要内容包括：游戏平台上的游戏推荐、Tesla平台上的推荐算法、经典算法的线性特点、DeepFM算法的非线性特点、DeepFM应用过程。 01 游戏平台上的游戏推荐这张图看到的是St

02

Python机器学习-02：模型构建

随着人工智能时代的到来，机器学习已成为解决问题的关键工具，如识别预测疾病风险等。Python是实现机器学习的热门语言之一。接下来会详细介绍机器学习如何应用到实际问题，并概括通过Python进行实际操作。

02

常用tools中auc实现简单调研

xgboost基于“从集合中任意选择一个正样本和负样本，正样本预测值大于负样本预测值的概率”实现了带weight的auc。

01

图与图学习（中）

在上篇中，我们简单学习了图论的基本概念，图的表示和存储方式，同构图和异构图的分类，以及几个基础的图论算法。在接下来的前置教程下篇中，我们将会学习图机器学习。

01

pr曲线 roc曲线_roc曲线与auc的含义

查准率，表示所有被预测为正类的样本（TP+FP）是真正类（TP）的比例： P = T P T P + F P P= \frac{TP}{TP+FP} P=TP+FPTP 查全率，表示所有真正类的样本（TP+FN）中被预测为真正类（TP）的比例： R = T P T P + F N R= \frac{TP}{TP+FN} R=TP+FNTP

04

深度学习系列 | 深度学习在搜狗无线搜索广告中的应用

编者：本文来自搜狗资深研究员舒鹏在携程技术中心主办的深度学习Meetup中的主题演讲，介绍了深度学习在搜狗无线搜索广告中的应用及成果。戳上面的“携程技术中心”（ctriptech）关注，可获知更多技术分享信息哦。舒鹏老师的分享可点下面的视频看回放，下载演讲PPT请点击阅读原文。搜索引擎广告是用户获取网络信息的渠道之一，同时也是互联网收入的来源之一，通过传统的浅层模型对搜索广告进行预估排序已不能满足市场需求。近年来，深度学习在很多领域得到广泛应用并已取得较好的成果，本次演讲就是分享深度学习如何有效的运用在

基于AI的脑电信号独立成分的自动标记工具箱

脑电图（EEG）信号反映了大脑神经元网络的生物电活动，可用于研究睡眠，诊断昏迷和癫痫患者，使用户能够与电子设备进行互动，并帮助人们从中风或其他损害正常大脑活动的状况中恢复。独立成分分析（ICA）是一种从脑电图中排除眼球运动和肌肉伪影等非脑信号的传统方法。独立成分（IC）的排除通常是在半自动模式下进行的，需要专家参与，并且各个专家的意见往往不一致。来自俄罗斯国立高等经济大学生物电接口中心和RAS高级神经活动和神经生理学研究所的研究人员开发了一个工具箱和在线众包平台，用于脑电图中独立成分的自动标记（ALICE）。

02

KG4SL:用于人类癌症合成致死预测的知识图神经网络

今天给大家介绍一篇来自上海科技大学郑杰教授课题组在2021年7月份发表在《Bioinformatics》上的一篇文章《KG4SL: knowledge graph neural network for synthetic lethality prediction in human cancers》。本文使用了知识图神经网络方法来进行癌症合成致死的预测任务。

03

J. Chem. Inf. Model. | 双通道异构图神经网络用于预测microRNA调控的药物敏感性

今天为大家介绍的是来自Hui Liu团队的一篇关于预测miRNA和药物关系的论文。许多研究已经确认microRNA（miRNA）在肿瘤细胞对抗癌药物的敏感性中起到调节作用。miRNA作为一种有前景的治疗靶点，正在逐渐受到关注，以克服药物抵抗。然而，对于miRNA与药物敏感性之间的关联的计算预测受到了有限的关注。在这项工作中，作者提出了一种基于异构网络的表示学习方法来预测miRNA药物敏感性关联（DGNNMDA）。通过整合miRNA相似性网络、药物相似性网络和实验证实的miRNA药物敏感性关联，构建了一个miRNA-药物异构网络。接下来，作者开发了一个双通道异构图神经网络模型，在同质和异质节点之间执行特征传播，以便使方法可以学习miRNA和药物节点的表达表示。

04

超强，必会的机器学习评估指标

构建机器学习模型的关键步骤是检查其性能，这是通过使用验证指标来完成的。选择正确的验证指标就像选择一副水晶球：它使我们能够以清晰的视野看到模型的性能。在本指南中，我们将探讨分类和回归的基本指标和有效评估模型的知识。学习何时使用每个指标、优点和缺点以及如何在 Python 中实现它们。

00

python评分卡代码_python爬虫书籍豆瓣评分

信用风险计量模型可以包括跟个人信用评级，企业信用评级和国家信用评级。人信用评级有一系列评级模型组成，常见是A卡（申请评分卡）、B卡（行为模型）、C卡（催收模型）和F卡（反欺诈模型）。今天我们展示的是个人信用评级模型的开发过程，数据采用kaggle上知名的give me some credit数据集。

06

分类模型的评价方法

机器学习中对于分类模型常用混淆矩阵来进行效果评价，混淆矩阵中存在多个评价指标，这些评价指标可以从不同角度来评价分类结果的优劣，以下内容通过简单的理论概述和案例展示来详细解释分类模型中混淆矩阵的评价指标及其用途。

02

入门 | 机器学习模型的衡量不止准确率：还有精度和召回率

选自Medium 作者：William Koehrsen 机器之心编译参与：Nurhachu Null、刘晓坤我们倾向于使用准确率，是因为熟悉它的定义，而不是因为它是评估模型的最佳工具！精度（查准率）和召回率（查全率）等指标对衡量机器学习的模型性能是非常基本的，特别是在不平衡分布数据集的案例中，在周志华教授的「西瓜书」中就特别详细地介绍了这些概念。 GitHub 地址：https://github.com/WillKoehrsen/Data-Analysis/blob/master/recall_pre

05

特征锦囊：如何在Python中处理不平衡数据

印象中很久之前有位朋友说要我写一篇如何处理不平衡数据的文章，整理相关的理论与实践知识（可惜本人太懒了，现在才开始写），于是乎有了今天的文章。失衡样本在我们真实世界中是十分常见的，那么我们在机器学习（ML）中使用这些失衡样本数据会出现什么问题呢？如何处理这些失衡样本呢？以下的内容希望对你有所帮助！

01

笔记︱统计评估指标AUC 详解

AUC 的全称是 AreaUnderRoc 即 Roc 曲线与坐标轴形成的面积，取值范围 [0, 1].

01

JCIM｜EHreact:用于酶促反应模板提取和评分的扩展Hasse图

2021年9月29日，JCIM上发表了有关酶促反应模板提取和评分的文章："EHreact: Extended Hasse Diagrams for the Extraction and Scoring of Enzymatic Reaction Templates"。

02

不平衡数据的处理方法与代码分享

印象中很久之前有位朋友说要我写一篇如何处理不平衡数据的文章，整理相关的理论与实践知识，于是乎有了今天的文章。失衡样本在我们真实世界中是十分常见的，那么我们在机器学习（ML）中使用这些失衡样本数据会出现什么问题呢？如何处理这些失衡样本呢？以下的内容希望对你有所帮助！

01

Python模型评估与选择：面试必备知识点

模型评估与选择是数据科学面试中的核心环节，它考验候选者对模型性能的理解、评估方法的应用以及决策依据的逻辑。本篇博客将深入浅出地梳理Python模型评估与选择面试中常见的问题、易错点及应对策略，配以代码示例，助您在面试中脱颖而出。

01

受试者工作特性曲线 (ROC) 的原理及绘制方式

受试者工作特性曲线 (Receiver Operating Characteristic, ROC) 曲线是生信分析中一种常用的性能评估方法，那么他背后的原理是什么呢？他为什么会被推荐作为二分类模型的优秀性能指标呢？

02

XGBoost（三）：Python语言实现

上篇文章介绍了XGBoost在R语言中的实现方法（XGBoost（二）：R语言实现），本篇文章接着来介绍XGBoost在Python中的实现方法。

03

GCLGP | 图卷积高斯过程

今天为大家介绍Felix L. Opolka和Pietro Li`o在ELLIS上的一篇文章，这篇文章是关于图的链接预测的。作者介绍了一种新的在图节点上运行的图卷积高斯过程模型，先是通过图形卷积变换将欧几里得域上的高斯过程转换成图形卷积高斯过程，再进一步调整节点上的生成模型来适应节点对上的高斯过程，以此来进行链接预测。

08

PYTHON银行机器学习:回归、随机森林、KNN近邻、决策树、高斯朴素贝叶斯、支持向量机SVM分析营销活动数据|数据分享|附代码数据

该数据与银行机构的直接营销活动相关，营销活动基于电话。通常，需要与同一客户的多个联系人联系，以便访问产品（银行定期存款）是否会（“是”）或不会（“否”）订阅

00

ROC曲线的理解

考虑一个二分问题，即将实例分成正类（positive）或负类（negative）。对一个二分问题来说，会出现四种情况。如果一个实例是正类并且也被预测成正类，即为真正类（True positive）,如果实例是负类被预测成正类，称之为假正类（False positive）。相应地，如果实例是负类被预测成负类，称之为真负类（True negative）,正类被预测成负类则为假负类（false negative）。

01

教你用Python解决非平衡数据问题（附代码）

本文为你分享数据挖掘中常见的非平衡数据的处理，内容涉及到非平衡数据的解决方案和原理，以及如何使用Python这个强大的工具实现平衡的转换。

02

目标检测 | AP-Loss：提高单阶段目标检测性能的分类损失，超越Focal loss

论文地址：https://arxiv.org/pdf/1904.06373v3.pdf

02

ROC曲线及AUC值[通俗易懂]

参考文献：【ROC曲线与AUC值】，【ROC，AUC最透彻的讲解（实例分析+matlab代码）】，【AUC计算方法与Python实现】，【AUC曲线计算方法及代码实现】

04

pytorch 多分类问题,计算百分比操作

二分类或分类问题，网络输出为二维矩阵：批次x几分类，最大的为当前分类，标签为one-hot型的二维矩阵：批次x几分类

04

推荐系统与深度学习（十七）——DIN模型原理

随着推荐算法逐渐的发展，大佬们的研究方向主要切分成了两部分：一个是对特征的调整，大家想尽办法挖掘特征中的隐含信息，寻找新的特征而且不断进行组合交叉，例如：FM、FFM系列的模型；另一个是对模型的结构调整，另一群人又想尽办法的寻找用户交易行为的特性，添加或优化各种模型结构，以便快速发现数据信息，例如：AFM、NFM以及我们今天要了解的DIN模型。

05

【Python环境】python的Orange包实现机器学习与数据挖掘的分类问题

Orange是Python语言中一个强大的机器学习包，主要用于实现数据挖掘和有监督的机器学习，包括分类，回归等等。在Orange的使用过程中并不需要用户像使用Sklearn那样记性复杂的参数设置，甚至进行必要的参数优化（尽管我们必须承认这些功能有时候是很有用，而且在Sklearn中是相当强大的），但是对于一些初学者尤其是没有编程基础的生物学专业的用户来说，一种简单有效，且适用性强的数据挖掘方法才是真正被需要的。因此今天我们就以Orange为例，为大家介绍一下如何通过Orange来解决数据分类预测的问题。第

09

面经｜4. 一文带你了解面试中的必问指标！

accuracy指的是正确预测的样本数占总预测样本数的比值，它不考虑预测的样本是正例还是负例,考虑的是全部样本。

05

Matlab建立SVM，KNN和朴素贝叶斯模型分类绘制ROC曲线

通过使用与versicolor和virginica物种相对应的度量来定义二元分类问题。

02

算法金 | 一文彻底理解机器学习 ROC-AUC 指标

在机器学习和数据科学的江湖中，评估模型的好坏是非常关键的一环。而 ROC（Receiver Operating Characteristic）曲线和 AUC（Area Under Curve）正是评估分类模型性能的重要工具。

00

扫码

添加站长进交流群

领取专属 10元无门槛券

手把手带您无忧上云

扫码加入开发者社群

相关资讯

热门标签

活动推荐

运营活动

活动名称

广告关闭