Machine learning sklearn实际上是如何计算AUROC的？
我知道模型的ROC曲线是通过改变阈值（影响TPR、FPR）来构建的 因此，我最初的理解是，要计算AUROC，需要使用不同的阈值多次运行模型，以获得该曲线并最终计算面积 但似乎您只需要一些正类的概率估计，如下面的代码示例所示，来计算AUROC >>将numpy作为np导入Machine learning sklearn实际上是如何计算AUROC的？,machine-learning,scikit-learn,roc,auc,Machine Learning,Scikit Learn,Roc,Auc,我知道模型的ROC曲线是通过改变阈值（影响TPR、FPR）来构建的 因此，我最初的理解是，要计算AUROC，需要使用不同的阈值多次运行模型，以获得该曲线并最终计算面积 但似乎您只需要一些正类的概率估计，如下面的代码示例所示，来计算AUROC >>将numpy作为np导入 >>>从sklearn.metrics导入roc\U auc\U分数 >>>y_true=np.array（[0,0,1,1]） >>>y_分数=np.数组（[0.1,0.4,0.35,0.8]） >>>roc_auc_分数（y
>>>从sklearn.metrics导入roc\U auc\U分数
>>>y_true=np.array（[0,0,1,1]）
>>>y_分数=np.数组（[0.1,0.4,0.35,0.8]）
>>>roc_auc_分数（y_真，y_分数）
0.75
这是怎么回事？任何建议的读取？模型中类的预测概率在不同的运行中不会有太大的变化（如果您没有更改数据或超参数）。因此，当您获得概率时，您可以更改阈值以分配类，而无需再次训练模型。这就是其中发生的情况。您可以在此处阅读更多内容：