Я понимаю, что кривая ROC для модели строится путем изменения порога (который влияет на TPR, FPR).
Таким образом, мое первоначальное понимание состоит в том, что для расчета AUROC вам нужно запускать модель много раз с разными порогами, чтобы получить эту кривую и, наконец, вычислить площадь.
Но похоже, что вам просто нужна оценка вероятности положительного класса, как в примере кода в roc_auc_score в sklearn ниже, чтобы рассчитать AUROC.
>>> импортировать numpy как np
>>> из sklearn.metrics импортировать 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)
0.75
Как это работает? Любое рекомендованное чтение?
