了解ROC曲线(Understanding ROC curve)

import matplotlib.pyplot as plt
from sklearn.metrics import roc_curve, auc , roc_auc_score
import numpy as np

correct_classification = np.array([0,1])
predicted_classification = np.array([1,1])

false_positive_rate, true_positive_rate, tresholds = roc_curve(correct_classification, predicted_classification)

print(false_positive_rate)
print(true_positive_rate)

从https://en.wikipedia.org/wiki/Sensitivity_and_specificity ：

True positive: Sick people correctly identified as sick 
False positive: Healthy people incorrectly identified as sick 
True negative: Healthy people correctly identified as healthy 
False negative: Sick people incorrectly identified as healthy

我使用这些值0：生病了，1：健康

从https://en.wikipedia.org/wiki/False_positive_rate ：

FLASE阳性率=假阳性/（假阳性+真阴性）

假阳性的数量：0数目的真阴性的：1

因此，假阳性率= 0/0 + 1 = 0

阅读roc_curve的返回值（ http://scikit-learn.org/stable/modules/generated/sklearn.metrics.roc_curve.html#sklearn.metrics.roc_curve ）：

FPR：阵列，形状= [> 2]
增加假阳性率，使得基元i与得分> =阈值的预测[I]的假阳性率。
TPR：阵列，形状= [> 2]
增加真阳性率，使得基元i与得分> =阈值的预测[I]的真阳性率。
阈值：阵列，形状= [n_thresholds]
在决策功能降低阈值来计算FPR和TPR。阈值[0]表示被预测没有实例，并任意设置为MAX（y_score）+ 1。

这是一个多么不同的值，以我的假阳性率的手工计算？阈值是如何设置的？这里提供了一些门槛模式的信息： https://datascience.stackexchange.com/questions/806/advantages-of-auc-vs-standard-accuracy但我很困惑，它如何与这个实现适合？

Answer 1:

首先，维基百科正在考虑患病= 1。

真阳性：生病的人正确地识别为生病

第二，每一个模型具有基于正类（通常为0.5）的概率某个阈值。

因此，如果阈值是0.1，具有概率大于0.1将被分类为阳性的所有样本。产生预测样本的概率是固定的，阈值将被改变。

在roc_curve ，从scikit学习提高阈值：

 0 (or minimum value where all the predictions are positive)

至

1 (Or the last point where all predictions become negative).

中间点是基于从正到负的预测的变化决定。

例：

Sample 1      0.2
Sample 2      0.3
Sample 3      0.6
Sample 4      0.7
Sample 5      0.8

这里的最低概率是0.2，所以最低门槛做出任何意义是0.2。现在，随着我们不断的门槛越来越高，因为有在这个例子非常少点，临界点，将在每个概率修改（等于概率，因为多数民众赞成在肯定和否定的数量变化的位置）

                     Negative    Positive
               <0.2     0          5
Threshold1     >=0.2    1          4
Threshold2     >=0.3    2          3
Threshold3     >=0.6    3          2
Threshold4     >=0.7    4          1
Threshold5     >=0.8    5          0