当前位置：首页 > news >正文

【详细教程】ROC曲线的计算方式与绘制方法详细介绍

news 来源：原创 2025/8/14 6:19:47

《------往期经典推荐------》

一、AI应用软件开发实战专栏【链接】

项目名称	项目名称
1.【人脸识别与管理系统开发】	2.【车牌识别与自动收费管理系统开发】
3.【手势识别系统开发】	4.【人脸面部活体检测系统开发】
5.【图片风格快速迁移软件开发】	6.【人脸表表情识别系统】
7.【YOLOv8多目标识别与自动标注软件开发】	8.【基于深度学习的行人跌倒检测系统】
9.【基于深度学习的PCB板缺陷检测系统】	10.【基于深度学习的生活垃圾分类目标检测系统】
11.【基于深度学习的安全帽目标检测系统】	12.【基于深度学习的120种犬类检测与识别系统】
13.【基于深度学习的路面坑洞检测系统】	14.【基于深度学习的火焰烟雾检测系统】
15.【基于深度学习的钢材表面缺陷检测系统】	16.【基于深度学习的舰船目标分类检测系统】
17.【基于深度学习的西红柿成熟度检测系统】	18.【基于深度学习的血细胞检测与计数系统】
19.【基于深度学习的吸烟/抽烟行为检测系统】	20.【基于深度学习的水稻害虫检测与识别系统】
21.【基于深度学习的高精度车辆行人检测与计数系统】	22.【基于深度学习的路面标志线检测与识别系统】
23.【基于深度学习的智能小麦害虫检测识别系统】	24.【基于深度学习的智能玉米害虫检测识别系统】
25.【基于深度学习的200种鸟类智能检测与识别系统】	26.【基于深度学习的45种交通标志智能检测与识别系统】
27.【基于深度学习的人脸面部表情识别系统】	28.【基于深度学习的苹果叶片病害智能诊断系统】
29.【基于深度学习的智能肺炎诊断系统】	30.【基于深度学习的葡萄簇目标检测系统】
31.【基于深度学习的100种中草药智能识别系统】	32.【基于深度学习的102种花卉智能识别系统】
33.【基于深度学习的100种蝴蝶智能识别系统】	34.【基于深度学习的水稻叶片病害智能诊断系统】
35.【基于与ByteTrack的车辆行人多目标检测与追踪系统】	36.【基于深度学习的智能草莓病害检测与分割系统】
37.【基于深度学习的复杂场景下船舶目标检测系统】	38.【基于深度学习的农作物幼苗与杂草检测系统】
39.【基于深度学习的智能道路裂缝检测与分析系统】	40.【基于深度学习的葡萄病害智能诊断与防治系统】
41.【基于深度学习的遥感地理空间物体检测系统】	42.【基于深度学习的无人机视角地面物体检测系统】
43.【基于深度学习的木薯病害智能诊断与防治系统】	44.【基于深度学习的野外火焰烟雾检测系统】
45.【基于深度学习的脑肿瘤智能检测系统】	46.【基于深度学习的玉米叶片病害智能诊断与防治系统】
47.【基于深度学习的橙子病害智能诊断与防治系统】	48.【基于深度学习的车辆检测追踪与流量计数系统】
49.【基于深度学习的行人检测追踪与双向流量计数系统】	50.【基于深度学习的反光衣检测与预警系统】
51.【基于深度学习的危险区域人员闯入检测与报警系统】	52.【基于深度学习的高密度人脸智能检测与统计系统】
53.【基于深度学习的CT扫描图像肾结石智能检测系统】	54.【基于深度学习的水果智能检测系统】
55.【基于深度学习的水果质量好坏智能检测系统】	56.【基于深度学习的蔬菜目标检测与识别系统】
57.【基于深度学习的非机动车驾驶员头盔检测系统】	58.【太基于深度学习的阳能电池板检测与分析系统】
59.【基于深度学习的工业螺栓螺母检测】	60.【基于深度学习的金属焊缝缺陷检测系统】
61.【基于深度学习的链条缺陷检测与识别系统】	62.【基于深度学习的交通信号灯检测识别】
63.【基于深度学习的草莓成熟度检测与识别系统】	64.【基于深度学习的水下海生物检测识别系统】
65.【基于深度学习的道路交通事故检测识别系统】	66.【基于深度学习的安检X光危险品检测与识别系统】
67.【基于深度学习的农作物类别检测与识别系统】	68.【基于深度学习的危险驾驶行为检测识别系统】
69.【基于深度学习的维修工具检测识别系统】	70.【基于深度学习的维修工具检测识别系统】
71.【基于深度学习的建筑墙面损伤检测系统】	72.【基于深度学习的煤矿传送带异物检测系统】
73.【基于深度学习的老鼠智能检测系统】	74.【基于深度学习的水面垃圾智能检测识别系统】
75.【基于深度学习的遥感视角船只智能检测系统】	76.【基于深度学习的胃肠道息肉智能检测分割与诊断系统】
77.【基于深度学习的心脏超声图像间隔壁检测分割与分析系统】	78.【基于深度学习的心脏超声图像间隔壁检测分割与分析系统】
79.【基于深度学习的果园苹果检测与计数系统】	80.【基于深度学习的半导体芯片缺陷检测系统】
81.【基于深度学习的糖尿病视网膜病变检测与诊断系统】	82.【基于深度学习的运动鞋品牌检测与识别系统】
83.【基于深度学习的苹果叶片病害检测识别系统】	84.【基于深度学习的医学X光骨折检测与语音提示系统】
85.【基于深度学习的遥感视角农田检测与分割系统】	86.【基于深度学习的运动品牌LOGO检测与识别系统】
87.【基于深度学习的电瓶车进电梯检测与语音提示系统】	88.【基于深度学习的遥感视角地面房屋建筑检测分割与分析系统】
89.【基于深度学习的医学CT图像肺结节智能检测与语音提示系统】	90.【基于深度学习的舌苔舌象检测识别与诊断系统】
91.【基于深度学习的蛀牙智能检测与语音提示系统】	92.【基于深度学习的皮肤癌智能检测与语音提示系统】

二、机器学习实战专栏【链接】，已更新31期，欢迎关注，持续更新中~~
三、深度学习【Pytorch】专栏【链接】
四、【Stable Diffusion绘画系列】专栏【链接】
五、YOLOv8改进专栏【链接】，持续更新中~~
六、YOLO性能对比专栏【链接】，持续更新中~

《------正文------》

ROC介绍

ROC曲线（Receiver Operating Characteristic Curve）是一种用于评估二分类模型性能的工具，通过绘制不同阈值下的真阳性率（TPR）和假阳性率（FPR）来直观反映模型的分类能力。以下是其基本原理和分步骤示例：

1. 基本原理

在这里插入图片描述

核心指标：
- 真阳性率（TPR）： $\frac{TP}{TP + FN}$ ，表示实际为正例的样本中被正确预测的比例。TPR越大意味着TP越大，也就意味着对于测试样本中的所有正例来说，其中大部分都被学习器预测正确。
- 假阳性率（FPR）： $\frac{FP}{FP + TN}$ ，表示实际为负例的样本中被错误预测的比例。FPR越小意味着FP越小、TN越大，也就意味着FPR越小，则对于测试样例中的所有反例来说，其中大部分被学习器预测正确。
ROC曲线：以FPR为横轴、TPR为纵轴，通过调整分类阈值生成一系列点并连接成曲线。曲线越靠近左上角，模型性能越好。一个好的模型是TPR大PFR偏小的。

2. 示例

步骤1：准备数据

假设有以下测试集预测结果（二分类）：

样本	预测概率（正类）	真实标签
A	0.95	1
B	0.85	1
C	0.70	0
D	0.55	1
E	0.30	0

上述表格中，第一列代表样本名称；第二列代表预测为样本被预测为正例的概率；第三列代表样本的真实标签，1代表正例，0代表负例。
正例数目：P=3
负例数目：N=2

步骤2：排序与阈值选择

将样本按预测概率从高到低排序，依次以每个概率值为阈值计算TPR和FPR：

阈值=0.95：
- 预测为正例：A（TP=1），其余为负例（FN=2【B,D】, FP=0, TN=2【C,E】）。
- $\approx 0.33$ , $FPR = 0/2 = 0$ 。
阈值=0.85：
- 预测为正例：A, B（TP=2）,其余为负例（FN=1【D】, FP=0, TN=2【C,E】）。
- $\approx 0.67$ , $FPR = 0/2 = 0$ 。
阈值=0.70：
- 预测为正例：A, B, C（TP=2【A,B】, FP=1【C】）,其余为负例（FN=1【D】, TN=1【E】）。
- $\approx 0.67$ , $FPR = 1/2 = 0.5$ 。
阈值=0.55：
- 预测为正例：A, B, D（TP=3【A,B,D】, FP=1【C】）,其余为负例（FN=0, TN=1【E】）。
- $TPR = 1$ , $FPR = 1/2 = 0.5$ 。
阈值=0.30：
- 所有样本为正例（TP=3【A,B,D】, FP=2【C,E】）,FN=0,TN=0。
- $TPR = 1$ , $FPR = 1$ 。

步骤3：绘制ROC曲线

将上述(FPR, TPR)点连接成曲线：

点序列：(0, 0.33), (0, 0.67), (0.5, 0.67), (0.5, 1), (1, 1)。
AUC计算：通过梯形法或曼-惠特尼U统计量计算曲线下面积（本例AUC≈0.83）。

3.代码实现

下面我们通过代码实现ROC曲线的绘制以及AUC面积计算。

# --coding:utf-8--
from sklearn.metrics import roc_curve, auc
import matplotlib.pyplot as plt
import matplotlib
matplotlib.use('TkAgg')# 真实标签
y_true = [1, 1, 0, 1, 0]
# 每个标签预测为正例的概率
y_score = [0.95, 0.85, 0.70, 0.55, 0.30]fpr, tpr, _ = roc_curve(y_true, y_score)
roc_auc = auc(fpr, tpr)plt.plot(fpr, tpr, label=f'ROC (AUC={roc_auc:.2f})')
plt.plot([0, 1], [0, 1], 'k--')  # 随机分类线
plt.xlabel('FPR')
plt.ylabel('TPR')
plt.legend()
plt.show()

运行结果：
在这里插入图片描述

4. 关键点总结

阈值选择：ROC曲线通过遍历所有可能的阈值生成，反映模型在不同误判代价下的表现。
AUC意义：AUC值越接近1，模型区分能力越强；0.5表示无判别力。
多分类扩展：可通过OvR策略为每个类别单独绘制ROC曲线。

通过上述步骤，可以清晰理解ROC曲线的计算逻辑和实际应用。