Python使用scikit-learn计算AUC与ROC曲线完整指南

沿途有光

发布时间：2026-10-13| 5人浏览过

原创

本文详细介绍如何在Python环境中使用scikit-learn库计算AUC指标并绘制ROC曲线。内容涵盖scikit-learn及其依赖NumPy、SciPy的版本检查与安装方法，并通过具体代码示例演示roc_auc_score和roc_curve函数的使用，帮助开发者快速掌握模型评估的关键技术。

第一步，确保环境中已安装scikit-learn库。

1.1 Scikit-learn依赖环境要求

安装scikit-learn前，需确认系统满足以下基础依赖： Python版本需大于等于2.6或大于等于3.3； NumPy库版本需大于等于1.6.1； SciPy库版本需大于等于0.9。

接下来，分别检查上述三个依赖组件的具体版本号，以确认是否符合安装条件。

执行命令python -V查看Python版本，结果显示为Python 2.7.3；执行命令python -c 'import scipy; print scipy.version.version'查看SciPy版本，结果显示为0.9.0；执行命令python -c "import numpy; print numpy.version.version"查看NumPy版本，结果显示为1.10.2。

1.2 安装Scikit-learn

若已确认系统中已安装NumPy、SciPy和Python，且版本均满足1.1节所述条件，可直接执行命令sudo pip install -U scikit-len进行安装。

第二步，开始计算AUC（Area Under Curve）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)

输出：0.75

第三步，计算并绘制ROC（Receiver Operating Characteristic）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

输出：
array([ 0. , 0.5, 0.5, 1. ])
array([ 0.5, 0.5, 1. , 1. ])
array([ 0.8 , 0.4 , 0.35, 0.1 ])

以上关于Python计算AUC指标的实例分享完毕，希望能为读者提供有价值的参考，欢迎大家继续支持本站获取更多技术内容。