ROC、AUC 和阈值
评估不同截断点下的排序质量
ROC、AUC 和阈值 是 CoddyKit 上的免费 Data Science Academy 课时。 这是第 4 节课，共 4 节。 你可以在下方免费阅读本课时的完整内容 — 然后在浏览器中使用内置代码编辑器和全天候 AI 导师进行实践。 这是 Data Science Academy 学习路径的一部分，你的进度在网页和 CoddyKit 应用中同步。 Data Science Academy 课程共包含 4 节课。
模型输出概率
大多数分类器不只是回答“是”或“不”。它们会给出一个概率，例如 0.73，然后由您决定在哪里划线。🎚️
probs = model.predict_proba(X)[:, 1]决策阈值
阈值会将概率转换为标签。高于阈值表示正例，低于阈值表示负例。默认值 0.5 只是其中一种选择。
y_pred = probs >= 0.5移动界线
降低阈值可以捕获更多正例，但会增加误报。提高阈值会更加严格，但也会漏掉更多目标。每种设置都有取舍。
需要跟踪的两个比率
随着阈值移动，请观察真正例率与假正例率。二者共同描述模型在每个截断点上的表现。
ROC 曲线
ROC 曲线在所有阈值下绘制真正例率与假正例率的关系，在一张图中展示完整的权衡过程。
from sklearn.metrics import roc_curve
fpr, tpr, thr = roc_curve(y_true, probs)解读曲线形状
紧贴左上方角落的曲线非常优秀：捕获率高且误报少。对角线表示随机猜测。
曲线下面积
AUC将完整的 ROC 曲线压缩成一个数字，即曲线下方的面积。它一次性总结所有阈值下的表现。
from sklearn.metrics import roc_auc_score
roc_auc_score(y_true, probs)AUC 的含义
AUC为 1.0 表示完美，0.5 表示类似抛硬币的随机结果。可以将它理解为模型把真正例排在真负例之前的概率。
不受阈值影响的比较
由于AUC不受任何单一截断点影响，它非常适合比较模型。获胜模型能更频繁地将正例排在负例之前。
然后选择阈值
AUC 用于选择模型，但在实际使用时仍需设置阈值，根据问题需求调整它，以偏向召回率或精确率。
何时优先使用 PR 曲线
在非常不平衡的数据上，ROC 可能显得过于乐观。精确率-召回率曲线通常能更真实地反映少数类别的表现。
快速检查
让我们确认 AUC 对分类器究竟说明了什么。
回顾
阈值将概率转换为标签，ROC 曲线展示所有权衡，而 AUC 一次性评估整条曲线。🎯
用 AI 导师学习 Python — 免费
在浏览器中编写并运行真实代码，获得全天候 AI 导师的即时帮助，并在网页或应用中继续学习。
- 课程
- 30
- 课程
- 120
常见问题解答
「ROC、AUC 和阈值」课时是免费的吗？
是的 — 「ROC、AUC 和阈值」的完整文本可在网页上免费阅读。要进行交互式练习（内置代码编辑器和全天候 AI 导师）并解锁 Data Science Academy 课程的其余内容，请升级到 CoddyKit PRO。 Data Science Academy 课程共包含 4 节课。
「ROC、AUC 和阈值」这节课中我会学到什么？
评估不同截断点下的排序质量 你通过在浏览器中直接运行的动手代码来练习 Data Science Academy，全天候 AI 导师会在你学习这节课的过程中回答你的问题。
学习 Data Science Academy 需要有经验吗？
无需任何先前经验。CoddyKit 上的 Data Science Academy 课程适合初学者到高级学习者，你可以从这里开始或从头开始，按照自己的节奏学习。 这是第 4 节课，共 4 节。
「ROC、AUC 和阈值」课时需要多长时间？
大多数 CoddyKit 课程大约需要 5–10 分钟。每节课都很精短且互动，所以你能稳步进步，并在网页和应用中从离开的地方继续。
我能在这节 Data Science Academy 课中编写并运行代码吗？
能。每节 Data Science Academy 课都包含内置代码编辑器，你可以在浏览器中直接编写并运行真实代码，并获得即时 AI 反馈 — 无需本地设置。
此课程中的所有课时
- 回归指标：MAE、MSE、R2
- 解读混淆矩阵
- 精确率、召回率和 F1
- ROC、AUC 和阈值