Python计算AUC与ROC曲线完整指南：环境配置与代码实现

小岛来信

发布时间：2026-10-15| 4人浏览过

原创

本文详细介绍如何在Python环境中计算AUC指标并绘制ROC曲线。首先指导用户检查并安装Python、NumPy及SciPy等依赖库，确保版本满足scikit-learn要求。随后通过具体代码示例，演示使用sklearn.metrics模块计算二分类问题的AUC值，并生成FPR、TPR及阈值数组，为模型评估提供完整技术参考。

安装scikit-learn库

第一步：安装scikit-learn库

Scikit-learn 依赖环境检查

1.1 Scikit-learn 依赖环境检查

Python (>= 2.6 or >= 3.3),
NumPy (>= 1.6.1),
SciPy (>= 0.9).

请分别查看上述三个依赖库的版本信息：


python -V

执行结果如下：


Python 2.7.3


python -c 'import scipy; print scipy.version.version'

scipy版本查询结果：


0.9.0


python -c "import numpy; print numpy.version.version"

numpy版本查询结果：


1.10.2

安装 Scikit-learn

1.2 安装 Scikit-learn

如果您已安装NumPy、SciPy和Python，且它们的版本均满足上述1.1节中的最低要求，则可以直接执行sudo


pip install - U scikit - learn

命令来完成安装过程。

计算AUC指标

第二步：计算AUC指标


import numpy as np
from sklearn.metrics import roc_auc_score
y_true = np.array([0, 0, 1, 1])
y_scores = np.array([0.1, 0.4, 0.35, 0.8])
roc_auc_score(y_true, y_scores)

代码运行输出结果为：


0.75

计算并绘制ROC曲线

第三步：计算并绘制ROC曲线


import numpy as np
from sklearn import metrics
y = np.array([1, 1, 2, 2])   #实际值
scores = np.array([0.1, 0.4, 0.35, 0.8])  #预测值
fpr, tpr, thresholds = metrics.roc_curve(y, scores, pos_label=2)  #pos_label=2，表示值为2的实际值为正样本
print fpr
print tpr
print thresholds