这篇文章给大家分享的是有关AUC计算方法与Python实现案例的内容。小编觉得挺实用的，因此分享给大家做个参考，一起跟随小编过来看看吧。
云龙网站制作公司哪家好，找
成都创新互联！从网页设计、网站建设、微信开发、APP开发、
自适应网站建设等网站项目制作，到程序开发，运营维护。
成都创新互联2013年至今到现在10年的时间，我们拥有了丰富的建站经验和运维经验，来保证我们的工作的顺利进行。专注于网站建设就选
成都创新互联。
-AUC计算方法
-AUC的Python实现方式
AUC计算方法
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。
AUC的计算主要以下几种方法：
1、计算ROC曲线下的面积。这是比较直接的一种方法，可以近似计算ROC曲线一个个小梯形的面积。几乎不会用这种方法
2、从AUC统计意义去计算。所有的正负样本对中，正样本排在负样本前面占样本对数的比例，即这个概率值。
具体的做法就是它也是首先对prob score从大到小排序，然后令大prob score对应的sample 的rank为n，第二大score对应sample的rank为n-1，以此类推。
然后把所有的正类样本的rank相加，再减去M-1种两个正样本组合的情况。
得到的就是所有的样本中有多少对正类样本的score大于负类样本的score。
最后再除以M×N。
公式如下：
AUC的Python实现
通过上面方法二的公式，AUC计算的Python实现如下：
def calAUC(prob,labels):
f = list(zip(prob,labels))
rank = [values2 for values1,values2 in sorted(f,key=lambda x:x[0])]
rankList = [i+1 for i in range(len(rank)) if rank[i]==1]
posNum = 0
negNum = 0
for i in range(len(labels)):
if(labels[i]==1):
posNum+=1
else:
negNum+=1
auc = 0
auc = (sum(rankList)- (posNum*(posNum+1))/2)/(posNum*negNum)
print(auc)
return auc
其中输入prob是得到的概率值，labels是分类的标签（1，-1）
感谢各位的阅读！关于“AUC计算方法与Python实现案例”这篇文章就分享到这里了，希望以上内容可以对大家有一定的帮助，让大家可以学到更多知识，如果觉得文章不错，可以把它分享出去让更多的人看到吧！
当前文章：AUC计算方法与Python实现案例-创新互联
网站地址：
http://cdkjz.cn/article/desgpi.html
