目录

一、FP、FN、TP、TN

二、准确率(Accuracy)、精确率(Precision)、召回率(Recall)、F1score

2.1、准确率(Accuracy)

2.2、召回率(Recall)

2.3、精确率(Precision)

2.4、敏感度、特异度、假阳性率、阳性预测值、阴性预测值

2.5、F1score

三、绘制ROC曲线，及计算以上评价参数

3.1、什么是ROC

3.2、绘制二分类ROC

四、更普遍的方法，绘制ROC

五、多分类的ROC曲线

六、FROC拓展

七、MedCalc统计软件绘制ROC

八、AUC值

​​​​​​在对模型性能进行评估的时候，经常会遇到各种各样的新名词，这里面就包括了混淆矩阵、ROC、AUC等等的名词。本文就对常用的评价参数进行了罗列和实现绘制，方便使用。

一、FP、FN、TP、TN

你这蠢货，是不是又把酸葡萄和葡萄酸弄“混淆“”啦！！！这里的混淆，我们细品。

上面日常情况中的混淆就是：是否把某两件东西或者多件东西给弄混了，迷糊了。

在机器学习中,混淆矩阵是一个误差矩阵, 常用来可视化地评估监督学习算法的性能.。混淆矩阵大小为 (n_classes, n_classes) 的方阵, 其中 n_classes 表示类的数量。

其中，这个矩阵的一行表示预测类中的实例（可以理解为模型预测输出，predict, PD），另一列表示对该预测结果对应的标签（Ground Truth, GT）进行判定模型的预测结果是否正确，正确为True，反之为False。

在机器学习中ground truth表示有监督学习的训练集的分类准确性，用于证明或者推翻某个假设。有监督的机器学习会对训练数据打标记，试想一下如果训练标记错误，那么将会对测试数据的预测产生影响，因此这里将那些正确打标记的数据成为ground truth。

此时，就引入FP、FN、TP、TN与精确率(Precision)，召回率(Recall)，准确率(Accuracy)等等评价方式，我们在后面详述。

以猫狗二分类为例，假定

cat为正例1-Positive1，dog为正例2-Positive2，其他为负例-Negative；预测正确为True，反之，预测错误为False。我们针对cat或dog，就可以得到下面这样一个表示FP、FN、TP、TN的表：

在计算混淆矩阵的时候，我们可以使用scikit-learn 科学计算包，计算混淆矩阵函数 sklearn.metrics.confusion_matrix API 接口，可以快速帮助我们绘制混淆矩阵。接口定义如下：

skearn.metrics.confusion_matrix(y_true, # array, Gound true (correct) target valuesy_pred, # array, Estimated targets as returned by a classifierlabels=None, # array, List of labels to index the matrix.sample_weight=None # array-like of shape = [n_samples], Optional sample weights)

完整示例代码如下：

__author__ = "lingjun"# E-mail: 1763469890@import seaborn as snsfrom sklearn.metrics import confusion_matriximport matplotlib.pyplot as pltsns.set()f, (ax1,ax2) = plt.subplots(figsize = (10, 8),nrows=2)y_true = ["dog", "dog", "dog", "cat", "cat", "cat", "cat"]y_pred = ["cat", "cat", "dog", "cat", "cat", "cat", "cat"]C2= confusion_matrix(y_true, y_pred, labels=["dog", "cat"])print(C2)print(C2.ravel())sns.heatmap(C2,annot=True)ax2.set_title('sns_heatmap_confusion_matrix')ax2.set_xlabel('Pred')ax2.set_ylabel('True')f.savefig('sns_heatmap_confusion_matrix.jpg', bbox_inches='tight')

保存的图像如下所示：

这个时候我们还是不知道skearn.metrics.confusion_matrix做了些什么，这个时候print(C2)，打印看下C2究竟里面包含着什么。最终的打印结果如下所示：

[[1 2][0 4]][1 2 0 4]

解释下上面这几个数字的意思：

C2= confusion_matrix(y_true, y_pred, labels=["dog", "cat"])中的labels的顺序就分布是0、1，negative和positive注：labels=[]可加可不加，不加情况下会自动识别，自己定义

在计算cat的混淆矩阵的时候，cat就是阳性，dog和其他，就是阴性，如下面这样：

cat为1-positive，其中真实值中cat有4个，4个被预测为cat，预测正确T，0个被预测为dog，预测错误F；dog为0-negative，其中真实值中dog有3个，1个被预测为dog，预测正确T，2个被预测为cat，预测错误F。

定义：

TP：正确的预测为正例，也就是预测为正例，预测对了TN：正确的预测为反例，也就是预测为反例，预测对了FP：错误的预测为正例，也就是预测为正例，预测错了FN：预测的预测为反例，也就是预测为反例，预测错了

所以：在分别以狗dog和猫cat为正例，预测错位为反例中，会分别得到如下两个混淆矩阵：

dog-1,其他为0:y_true = ["1", "1", "1", "0", "0", "0", "0"]y_pred = ["0", "0", "1", "0", "0", "0", "0"]TP:1TN:4FP:0FN:2cat-1,其他为0:y_true = ["0", "0", "0", "1", "1", "1", "1"]y_pred = ["1", "1", "0", "1", "1", "1", "1"]TP:4TN:1FP:2FN:0

注意：混淆矩阵是评价某一模型预测结果好坏的方法，预测对与错的参照标准是标注结果。其中，需要对预测置信度进行阈值分割。

大于该阈值的，为预测阳性小于该阈值的，为预测阴性

所以，确定该类的阈值是多少，很重要，直接决定了混淆矩阵的数值分布。其中，该阈值可根据ROC曲线进行确定，这块下文会详述，继续往后看。

从这里就可以看出，混淆矩阵的衡量是很片面的，依据混淆矩阵计算的精确率、召回率、准确率等等评价方法，也是很片面的。这就是他们的缺点，需要一个更加全面的评价指标的出现。

二、准确率(Accuracy)、精确率(Precision)、召回率(Recall)、F1score

有了上面的这些混淆矩阵的数值，就可以进行如下准确率、精确率、召回率、F1score等等评价指标的的计算工作了

2.1、准确率(Accuracy)

这三个指标里最直观的就是准确率: 模型判断正确的数据(TP+TN)占总数据的比例

"Accuracy: "+str(round((tp+tn)/(tp+fp+fn+tn), 3))

2.2、召回率(Recall)

针对数据集中的所有正例label(TP+FN)而言，模型正确判断出的正例(TP)占数据集中所有正例的比例；FN表示被模型误认为是负例但实际是正例的数据；

召回率也叫查全率，以物体检测为例，我们往往把图片中的物体作为正例，此时召回率高代表着模型可以找出图片中更多的物体!

"Recall: "+str(round((tp)/(tp+fn), 3))

2.3、精确率(Precision)

针对模型判断出的所有正例(TP+FP)而言，其中真正例(TP)占的比例。精确率也叫查准率，还是以物体检测为例，精确率高表示模型检测出的物体中大部分确实是物体，只有少量不是物体的对象被当成物体。

"Precision: "+str(round((tp)/(tp+fp), 3))

2.4、敏感度、特异度、假阳性率、阳性预测值、阴性预测值

还有，敏感度Sensitivity、特异度Specificity、假阳性率False positive rate、阳性预测值Positive predictive value、阴性预测值Negative predictive value，分别的计算方法如下所示：

("Sensitivity: "+str(round(tp/(tp+fn+0.01), 3)))("Specificity: "+str(round(1-(fp/(fp+tn+0.01)), 3)))("False positive rate: "+str(round(fp/(fp+tn+0.01), 3)))("Positive predictive value: "+str(round(tp/(tp+fp+0.01), 3)))("Negative predictive value: "+str(round(tn/(fn+tn+0.01), 3)))

其中：

敏感度=召回率，都是看label标记是阳性中，预测pd有多少真是阳性特异度是看label标记是阴性中，预测pd有多少是真的阴性，这里的阴性可以是一大类。假设需要评估的类是马路上的人，那除人之外，其他类别均可以作为人相对应的阴性在医学领域，敏感度更关注漏诊率（有病之人不能漏），特异度更关注误诊率（无病之人不能误）假阳性率 = 1 - 特异度，假阳性越多，误诊越多阳性预测值 = 精确率，是看预测为阳性中，有多少是真阳性阴性预测值是看预测为阴性中，有多少是真阴性

2.5、F1score

要计算F1score，需要先计算精确率和召回率。其中：

Precision = tp/tp+fpRecall = tp/tp+fn进而计算得到：F1score = 2 *Precision *Recall /（Precision +Recall）

那么，你有没有想过，F1score中，recall和Precision对其的影响是怎么样的。我们用如下代码，绘制出来看看。

import numpy as npimport matplotlib.pyplot as pltfig = plt.figure() #定义新的三维坐标轴ax3 = plt.axes(projection='3d')#定义三维数据precision = np.arange(0.01, 1, 0.1)recall = np.arange(0.01, 1, 0.1)X, Y = np.meshgrid(precision, recall) # 用两个坐标轴上的点在平面上画网格Z = 2*X*Y/(X+Y)# 作图ax3.plot_surface(X, Y, Z, rstride = 1, cstride = 1, cmap='rainbow')plt.xlabel('precision')plt.ylabel('recall')plt.title('F1 score')plt.show()

数据分布图如下：

可以看出，精准度和recall，无论任何一个低，F1score都不会高，只有两个都高的时候，分数才会高，这也能够说明，为啥很多评价都是采用F1 score。

三、绘制ROC曲线，及计算以上评价参数

3.1、什么是ROC

在上文混淆矩阵时候，我们提到：混淆矩阵的绘制严重依赖一个固定的阈值，在确定该阈值的前提下，才能确定混淆矩阵的数值，这种对模型评价方式是面片，不全面的。

此时，迫切需要一中评价方式，能够更加全面的对模型进行评估，于是就出现的ROC曲线，如下所示：

其中：

横轴：False Positive Rate（假阳率，FPR）纵轴：True Positive Rate（真阳率，TPR）

连接（0，0）和（1，1）绿色曲线上的任意一点，是在该阈值下，对应的混淆矩阵下的假阳性率和真阳性率。例如图中的（0.1，0.8），即该阈值 t 下，假阳性率为0.1，真阳性率为0.8。

3.2、绘制二分类ROC

如下为统计数据：

下面的代码，就是要读取上面的CSV文档，对该类别绘制ROC曲线。这里只是一个范例，你根据自己的数据情况进行针对性的修改即可。其中+表示阳性，-表示阴性

__author__ = "lingjun"# E-mail: 1763469890@from sklearn.metrics import roc_auc_score, confusion_matrix, roc_curve, aucfrom matplotlib import pyplot as pltimport numpy as npimport torchimport csvdef confusion_matrix_roc(GT, PD, experiment, n_class):GT = GT.numpy()PD = PD.numpy()y_gt = np.argmax(GT, 1)y_gt = np.reshape(y_gt, [-1])y_pd = np.argmax(PD, 1)y_pd = np.reshape(y_pd, [-1])# ---- Confusion Matrix and Other Statistic Information ----if n_class > 2:c_matrix = confusion_matrix(y_gt, y_pd)# print("Confussion Matrix:\n", c_matrix)list_cfs_mtrx = c_matrix.tolist()# print("List", type(list_cfs_mtrx[0]))path_confusion = r"./records/" + experiment + "/confusion_matrix.txt"# np.savetxt(path_confusion, (c_matrix))np.savetxt(path_confusion, np.reshape(list_cfs_mtrx, -1), delimiter=',', fmt='%5s')if n_class == 2:list_cfs_mtrx = []tn, fp, fn, tp = confusion_matrix(y_gt, y_pd).ravel()list_cfs_mtrx.append("TN: " + str(tn))list_cfs_mtrx.append("FP: " + str(fp))list_cfs_mtrx.append("FN: " + str(fn))list_cfs_mtrx.append("TP: " + str(tp))list_cfs_mtrx.append(" ")list_cfs_mtrx.append("Accuracy: " + str(round((tp + tn) / (tp + fp + fn + tn), 3)))list_cfs_mtrx.append("Sensitivity: " + str(round(tp / (tp + fn + 0.01), 3)))list_cfs_mtrx.append("Specificity: " + str(round(1 - (fp / (fp + tn + 0.01)), 3)))list_cfs_mtrx.append("False positive rate: " + str(round(fp / (fp + tn + 0.01), 3)))list_cfs_mtrx.append("Positive predictive value: " + str(round(tp / (tp + fp + 0.01), 3)))list_cfs_mtrx.append("Negative predictive value: " + str(round(tn / (fn + tn + 0.01), 3)))path_confusion = r"./records/" + experiment + "/confusion_matrix.txt"np.savetxt(path_confusion, np.reshape(list_cfs_mtrx, -1), delimiter=',', fmt='%5s')# ---- ROC ----plt.figure(1)plt.figure(figsize=(6, 6))fpr, tpr, thresholds = roc_curve(GT[:, 1], PD[:, 1])roc_auc = auc(fpr, tpr)plt.plot(fpr, tpr, lw=1, label="positive vs negative, area=%0.3f)" % (roc_auc))# plt.plot(thresholds, tpr, lw=1, label='Thr%d area=%0.2f)' % (1, roc_auc))# plt.plot([0, 1], [0, 1], '--', color=(0.6, 0.6, 0.6), label='Luck')plt.xlim([0.00, 1.0])plt.ylim([0.00, 1.0])plt.xlabel("False Positive Rate")plt.ylabel("True Positive Rate")plt.title("ROC")plt.legend(loc="lower right")plt.savefig(r"./records/" + experiment + "/ROC.png")print("ok")def inference():GT = torch.FloatTensor()PD = torch.FloatTensor()file = r"Sensitive_rename_inform.csv"with open(file, 'r', encoding='UTF-8') as f:reader = csv.DictReader(f)for row in reader:# TODOmax_patient_score = float(row['ai1'])doctor_gt = row['gt2']print(max_patient_score,doctor_gt)pd = [[max_patient_score, 1-max_patient_score]]output_pd = torch.FloatTensor(pd).to(device)if doctor_gt == "+":target = [[1.0, 0.0]]else:target = [[0.0, 1.0]]target = torch.FloatTensor(target) # 类型转换, 将list转化为tensor, torch.FloatTensor([1,2])Target = torch.autograd.Variable(target).long().to(device)GT = torch.cat((GT, Target.float().cpu()), 0) # 在行上进行堆叠PD = torch.cat((PD, output_pd.float().cpu()), 0)confusion_matrix_roc(GT, PD, "ROC", 2)if __name__ == "__main__":inference()

若是表格里面有中文，则记得这里进行修改，否则报错

with open(file, 'r') as f:

四、更普遍的方法，绘制ROC

这是两个文件夹，存储的都是记录图像预测结果的txt文件，分别是：

tb表示的是positive样本预测的txt文件集，一个图像对应一个txtnontb表示的是negative样本预测的txt文件集，一个图像对应一个txt每一个txt文件记录的都是该图像预测的置信率（我这里是目标检测、分割问题，所以一个图像里面，可能会存在两个目标的问题）

如下是实现的代码，整体内容与上一个绘制ROC的方法差不多，只是读取数据的方式不同。

import csvimport numpy as npimport torchimport osfrom matplotlib import pyplot as pltfrom sklearn.metrics import roc_auc_score, confusion_matrix, roc_curve, aucdef confusion_matrix_roc(GT, PD, experiment, n_class):GT = GT.numpy()PD = PD.numpy()y_gt = np.argmax(GT, 1)y_gt = np.reshape(y_gt, [-1])y_pd = np.argmax(PD, 1)y_pd = np.reshape(y_pd, [-1])# ---- Confusion Matrix and Other Statistic Information ----if n_class > 2:c_matrix = confusion_matrix(y_gt, y_pd)# print("Confussion Matrix:\n", c_matrix)list_cfs_mtrx = c_matrix.tolist()# print("List", type(list_cfs_mtrx[0]))path_confusion = r"./records/" + experiment + "/confusion_matrix.txt"# np.savetxt(path_confusion, (c_matrix))np.savetxt(path_confusion, np.reshape(list_cfs_mtrx, -1), delimiter=',', fmt='%5s')if n_class == 2:list_cfs_mtrx = []tn, fp, fn, tp = confusion_matrix(y_gt, y_pd).ravel()list_cfs_mtrx.append("TN: " + str(tn))list_cfs_mtrx.append("FP: " + str(fp))list_cfs_mtrx.append("FN: " + str(fn))list_cfs_mtrx.append("TP: " + str(tp))list_cfs_mtrx.append(" ")list_cfs_mtrx.append("Accuracy: " + str(round((tp + tn) / (tp + fp + fn + tn), 3)))list_cfs_mtrx.append("Sensitivity: " + str(round(tp / (tp + fn + 0.01), 3)))list_cfs_mtrx.append("Specificity: " + str(round(1 - (fp / (fp + tn + 0.01)), 3)))list_cfs_mtrx.append("False positive rate: " + str(round(fp / (fp + tn + 0.01), 3)))list_cfs_mtrx.append("Positive predictive value: " + str(round(tp / (tp + fp + 0.01), 3)))list_cfs_mtrx.append("Negative predictive value: " + str(round(tn / (fn + tn + 0.01), 3)))path_confusion = r"./records/confusion_matrix.txt"np.savetxt(path_confusion, np.reshape(list_cfs_mtrx, -1), delimiter=',', fmt='%5s')# ---- ROC ----plt.figure(1)plt.figure(figsize=(6, 6))fpr, tpr, thresholds = roc_curve(GT[:, 1], PD[:, 1])roc_auc = auc(fpr, tpr)return fpr, tpr, roc_auc# plt.plot(fpr, tpr, lw=1, label="ATB vs NotTB, area=%0.3f)" % (roc_auc))# # plt.plot(thresholds, tpr, lw=1, label='Thr%d area=%0.2f)' % (1, roc_auc))# # plt.plot([0, 1], [0, 1], '--', color=(0.6, 0.6, 0.6), label='Luck')## plt.xlim([0.00, 1.0])# plt.ylim([0.00, 1.0])# plt.xlabel("False Positive Rate")# plt.ylabel("True Positive Rate")# plt.title("ROC")# plt.legend(loc="lower right")# plt.savefig(r"./records/" + experiment + "/ROC.png")def draw_ROC(file):GT = torch.FloatTensor()PD = torch.FloatTensor()pred_tb_num = 0for (path, dirs, files) in os.walk(file):for filename in files:txt_path = os.path.join(path, filename)label_flag = txt_path.split("\\")[-2]size = os.path.getsize(txt_path)if size != 0:print('文件不是空的')list_socre = []with open(txt_path, "r") as f:for line in f.readlines():line = line.strip('\n') # 去掉列表中每一个元素的换行符list_socre.append(line)max_score=max(list_socre)print("max_score:",max_score)output = [[1-float(max_score), float(max_score)]]print("output=", output)output = torch.FloatTensor(output) # 类型转换, 将list转化为tensor, torch.FloatTensor([1,2])# output_pd = torch.autograd.Variable(output).long().to('cpu')PD = torch.cat((PD, output.float().cpu()), 0) # 在行上进行堆叠print(label_flag)if label_flag == "tb":target = [[0.0, 1.0]]else:target = [[1.0, 0.0]]print("target=", target)target = torch.FloatTensor(target) # 类型转换, 将list转化为tensor, torch.FloatTensor([1,2])GT = torch.cat((GT, target.float().cpu()), 0) # 在行上进行堆叠else:output = [[1.0, 0.0]]print("output=", output)output = torch.FloatTensor(output) # 类型转换, 将list转化为tensor, torch.FloatTensor([1,2])# output_pd = torch.autograd.Variable(output).long().to('cpu')PD = torch.cat((PD, output.float().cpu()), 0) # 在行上进行堆叠print(label_flag)if label_flag == "tb":target = [[0.0, 1.0]]else:target = [[1.0, 0.0]]print("target=", target)target = torch.FloatTensor(target) # 类型转换, 将list转化为tensor, torch.FloatTensor([1,2])GT = torch.cat((GT, target.float().cpu()), 0) # 在行上进行堆叠print(len(GT))return GT, PDif __name__=='__main__':file = r"Z:\reslt_pd"GT_no, PD_no = draw_ROC(file)fpr_no, tpr_no, roc_auc_no = confusion_matrix_roc(GT_no, PD_no, "ROC", 2)plt.plot(fpr_no, tpr_no, lw=1, label="positive vs negative, area=%0.3f)" % (roc_auc_no))#plt.plot(fpr, tpr, lw=1, label="ATB vs NotTB ReduceFP, area=%0.3f)" % (roc_auc))# plt.plot(thresholds, tpr, lw=1, label='Thr%d area=%0.2f)' % (1, roc_auc))# plt.plot([0, 1], [0, 1], '--', color=(0.6, 0.6, 0.6), label='Luck')plt.xlim([0.00, 1.0])plt.ylim([0.00, 1.0])plt.xlabel("1-specificity")plt.ylabel("sensitivity")plt.title("ROC")plt.legend(loc="lower right")plt.savefig(r"ROC.png")

五、多分类的ROC曲线

参考链接：ROC原理介绍及利用python实现二分类和多分类的ROC曲线_闰土不用叉的博客-CSDN博客_roc曲线python

# 引入必要的库import numpy as npimport matplotlib.pyplot as pltfrom itertools import cyclefrom sklearn import svm, datasetsfrom sklearn.metrics import roc_curve, aucfrom sklearn.model_selection import train_test_splitfrom sklearn.preprocessing import label_binarizefrom sklearn.multiclass import OneVsRestClassifierfrom scipy import interp# 加载数据iris = datasets.load_iris()X = iris.datay = iris.target# 将标签二值化y = label_binarize(y, classes=[0, 1, 2])# 设置种类n_classes = y.shape[1]# 训练模型并预测random_state = np.random.RandomState(0)n_samples, n_features = X.shape# shuffle and split training and test setsX_train, X_test, y_train, y_test = train_test_split(X, y, test_size=.5,random_state=0)# Learn to predict each class against the otherclassifier = OneVsRestClassifier(svm.SVC(kernel='linear', probability=True,random_state=random_state))y_score = classifier.fit(X_train, y_train).decision_function(X_test)# 计算每一类的ROCfpr = dict()tpr = dict()roc_auc = dict()for i in range(n_classes):fpr[i], tpr[i], _ = roc_curve(y_test[:, i], y_score[:, i])roc_auc[i] = auc(fpr[i], tpr[i])# Compute micro-average ROC curve and ROC area（方法二）fpr["micro"], tpr["micro"], _ = roc_curve(y_test.ravel(), y_score.ravel())roc_auc["micro"] = auc(fpr["micro"], tpr["micro"])# Compute macro-average ROC curve and ROC area（方法一）# First aggregate all false positive ratesall_fpr = np.unique(np.concatenate([fpr[i] for i in range(n_classes)]))# Then interpolate all ROC curves at this pointsmean_tpr = np.zeros_like(all_fpr)for i in range(n_classes):mean_tpr += interp(all_fpr, fpr[i], tpr[i])# Finally average it and compute AUCmean_tpr /= n_classesfpr["macro"] = all_fprtpr["macro"] = mean_tprroc_auc["macro"] = auc(fpr["macro"], tpr["macro"])# Plot all ROC curveslw=2plt.figure()plt.plot(fpr["micro"], tpr["micro"],label='micro-average ROC curve (area = {0:0.2f})'''.format(roc_auc["micro"]),color='deeppink', linestyle=':', linewidth=4)plt.plot(fpr["macro"], tpr["macro"],label='macro-average ROC curve (area = {0:0.2f})'''.format(roc_auc["macro"]),color='navy', linestyle=':', linewidth=4)colors = cycle(['aqua', 'darkorange', 'cornflowerblue'])for i, color in zip(range(n_classes), colors):plt.plot(fpr[i], tpr[i], color=color, lw=lw,label='ROC curve of class {0} (area = {1:0.2f})'''.format(i, roc_auc[i]))plt.plot([0, 1], [0, 1], 'k--', lw=lw)plt.xlim([0.0, 1.0])plt.ylim([0.0, 1.05])plt.xlabel('False Positive Rate')plt.ylabel('True Positive Rate')plt.title('Some extension of Receiver operating characteristic to multi-class')plt.legend(loc="lower right")plt.show()

图像如下：

补充一个更普世的绘制方法，如下：

def readtxt(txtfile_path):list_info = []with open(txtfile_path, "r") as f:for line in f.readlines():line = line.strip('\n') # 去掉列表中每一个元素的换行符list_info.append(float(line))return list_infodef plot_roc():fig = plt.figure(figsize=(6, 6))# base linefpr1 = readtxt(r'./roc/lidc_fpr.txt')tpr1 = readtxt(r'./roc/lidc_tpr.txt')print(fpr1)print(tpr1)roc_auc, auc_l, auc_h = 0.784, 0.724, 0.836plt.plot(fpr1, tpr1, lw=2, label='{} AUC={} (95% CI: {}-{})'.format('LIDC', roc_auc, auc_l, auc_h))#fpr = readtxt(r'./roc/a_fpr.txt')tpr = readtxt(r'./roc/a_tpr.txt')print(fpr)print(tpr)roc_auc, auc_l, auc_h = 0.762, 0.730, 0.792plt.plot(fpr, tpr, lw=2, label='{} AUC={} (95% CI: {}-{})'.format('a', roc_auc, auc_l, auc_h))plt.xlim([0.00, 1.0])plt.ylim([0.00, 1.0])plt.xlabel('1-Specificity')plt.ylabel('Sensitivity')# plt.title('ROC')plt.legend(loc="lower right")plt.plot([0,1], [0, 1], color='gray', linestyle='dashed')plt.show()if __name__=='__main__':plot_roc()

展示出来的结果，大致如下：

六、FROC拓展

代码如下：

# coding=UTF-8# from sklearn import metricsimport matplotlib.pylab as pltGTlist = [1.0, 1.0, 0.0, 1.0, 0.0, 1.0, 0.0, 1.0, 0.0, 1.0,0.0, 1.0, 0.0, 0.0, 1.0, 0.0, 0.0, 0.0, 0.0, 0.0,0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0]Problist = [0.99, 0.98, 0.97, 0.93, 0.85, 0.80, 0.79, 0.75, 0.70, 0.65,0.64, 0.63, 0.55, 0.54, 0.51, 0.49, 0.30, 0.2, 0.1, 0.09,0.1, 0.5, 0.6, 0.7, 0.8, 0.5, 0.2, 0.3, 0.2, 0.5]# num of imagetotalNumberOfImages = 2numberOfDetectedLesions = sum(GTlist)totalNumberOfCandidates = len(Problist)fpr, tpr, thresholds = metrics.roc_curve(GTlist, Problist, pos_label=1)# FROCfps = fpr * (totalNumberOfCandidates - numberOfDetectedLesions) / totalNumberOfImagessens = tprprint(fps)print(sens)plt.plot(fps, sens, color='b', lw=2)plt.legend(loc='lower right')# plt.plot([0, 1], [0, 1], 'r--')plt.xlim([fps.min(), fps.max()])plt.ylim([0, 1.1])plt.xlabel('Average number of false positives per scan') # 横坐标是fprplt.ylabel('True Positive Rate') # 纵坐标是tprplt.title('FROC performence')plt.show()

展示结果如下：

七、MedCalc统计软件绘制ROC

MedCalc是一款医学专用的统计计算软件，在研究医学领域有较为广泛的应用，软件不大，而功能却很强大，用图形化的界面直观明了的显示所统计的结果，这里就简单介绍下medcalc的统计教程。

官方下载地址：(只有15天试用期。由于不能乱传播，仅用作学习使用。若想获得免费版本，评论备注信息，留下邮箱)Download MedCalc Version 20.106/download/下面已绘制ROC曲线为例，进行介绍，步骤如图所示：

绘制的结果如下：

这也是绘制ROC的一种方式，比较快捷。只要准备好需要的数据，既可以直接绘制。注意，这里统计预测分数时候，阈值一定要取的比较低，比如0.01。这样在绘制曲线时候，阈值的选择面才会大。

百度文档对这块进行了详述，更多内容去看这里：MedCalc常用统计教程/article/ca41422f219a641eae99edea.html

八、AUC值

AUC 是 ROC 曲线下面的面积，AUC 可以解读为从所有正例中随机选取一个样本 A，再从所有负例中随机选取一个样本 B，分类器将 A 判为正例的概率比将 B 判为正例的概率大的可能性。

也就是：任意取一个正样本和负样本，正样本得分大于负样本的概率。

AUC 反映的是分类器对样本的排序能力。AUC 越大，自然排序能力越好，即分类器将越多的正例排在负例之前。

AUC ＝ 1，代表完美分类器0.5 < AUC < 1，优于随机分类器0 < AUC < 0.5，差于随机分类器

AUC的公式：

问1：数据不平衡，对AUC有影响吗？

答1：数据不平衡对 auc 影响不大（ROC曲线下的面积，ROC的横纵坐标分别是真阳性率和1-真阴性率）。

问2：还有什么指标可以针对不平衡数据进行评估？

答2：还可以使用 PR(Precision-Recall )曲线。

参考资料：

1.模型评估之混淆矩阵（confusion_matrix）含义及Python代码实现/s?id=1619821729031070174&wfr=spider&for=pc

2.混淆矩阵(Confusion matrix)的原理及使用(scikit-learn 和 tensorflow) - klchang - 博客园/klchang/p/9608412.html

3.FP,FN,TP,TN与精确率(Precision),召回率(Recall),准确率(Accuracy)_littlehaes的博客-CSDN博客_fp tp/littlehaes/article/details/83278256

Python混淆矩阵（confusion_matrix）FP FN TP TN ROC FROC 精确率(Precision) 召回率(Recall) 准确率(Accuracy) F1分数详述与实现

如果觉得《Python混淆矩阵（confusion_matrix）FP FN TP TN ROC FROC 精确率(Precision) 》对你有帮助，请点赞、收藏，并留下你的观点哦！