如何绘制敏感性和特异性的ROC？

Question

对于specificity = 1 - FPR我把代码改成如下：plt.plot(1-fpr, tpr, 'b', label = 'AUC = %0.2f' % roc_auc)但是这个数字似乎是错误的。这是我在纸上看到的。 

Answer 1

您对 ROC 曲线的理解有误。ROC 曲线绘制了不同阈值下的真阳性率（敏感性）tpr = tp / (tp + fn)与假阳性率（1 - 特异性）1 - (tn / (tn + fp)的关系。现在，我看到你的标题表明你想要一个“敏感性和特异性的 ROC”，但实际上不存在这样的东西。解决敏感性和特异性的方法是通过 ROC 曲线。

为了获得 ROC 曲线，将绘图更改为：

plt.plot(fpr, tpr, 'b', label = 'AUC = %0.2f' % roc_auc)

您可以从上面的解释中了解如何计算假阳性率和真阳性率。

然后，在解释 ROC 曲线时，您希望分类器尽可能靠近左上角，表示低假阳性率（高特异性）和高真阳性率（高灵敏度）。话虽如此，假阳性率并不代表特异性，而是特异性的阴性。这就是为什么你希望它是最小的。

最后但并非最不重要的一点是，当涉及到 ROC 曲线时，经常会让人感到困惑的情况是，当1 - specificityX 轴上没有specificity. 发生这种情况时，值的方向会反转（如图所示），因此它从 1 到 0 而不是从 0 到 1。