今天小编就为大家分享一篇AUC计算方法与Python实现代码，具有很好的参考价值，希望对大家有所帮助。一起跟随小编过来看看吧

AUC的计算公式推导1

AUC曲线和混淆矩阵的绘制 基于matlab gui

l-曲线矩阵代码MatlabAUC Matlab函数用于估计接收器工作曲线（ROC）和ROC曲线下的面积（AUC），以及各种方法来估计AUC估计的参数和非参数置信区间。 还包括用于针对已知值对ROC下的估计面积进行简单引导测试的代码。 可用的CI估计方法为： Hanley-McNeil，参数[1] 曼·惠特尼（Mann-Whitney），非参数[2] 非参数最大方差[3] 非参数对数[2] 引导程序，非参数[2] Wald，非参数[4] Wald连续性校正的非参数[4] logit置信区间估计器（默认）具有良好的覆盖率，对于不平衡的样本相当健壮，并且适用于有序数据[2,4]。 仿真表明，Wald间隔对于较小的样本量（<100个总样本）具有更大的功效，尽管这些间隔对不平衡数据不稳健，也不适用于序数数据[4]。 Hanley，JA，McNeil，BJ（1982）。 接收器工作特性（ROC）曲线下面积的含义和用途。 放射学，143：29-36 秦庚，霍蒂洛瓦茨，L（2008）。 连续规模诊断测试的ROC曲线下面积的非参数置信区间的比较。 Stat Meth Med Res，17：207-21

评估新生物标志物（变量）对预先存在的风险模型的价值的关键在于它是否会增加患病者（事件/结果）的计算风险并降低非患病者的计算风险。 在过去的 4 年中，提出了两个新的统计数据——IDI 和 NRI。 Risk_Assessment_Plot 计算这些统计数据以及其他几个统计数据，并生成一个图表来将它们可视化。 我最近发表了对这个情节和相关指标的解释——它是可用的开放获取： http : //cjasn.asnjournals.org/content/early/2012/05/24/CJN.09590911.full 我的第一次提交 - 也许不漂亮，但我希望有用。

yaf_auc 雅虎拍卖价格预测 收集当前的拍卖价格并使用机器学习进行预测

比较来自相同案例的两个 AUC 相反，作者建议使用： - NetReclassificationImprovement.m - IntegratedDiscriminationImprovement.m 用法： [pvalue Wold Wnew] = pauc(predOld,predNew,outcome) (c) Louis Mayaud, 2011 (louis.mayaud@gmail.com) 请参考： 马奥、路易斯等人。 “低血压发作期间的动态数据改善脓毒症和低血压患者的死亡率预测*。” 重症监护医学41.4（2013）：954-962。

目录   一、题目描述 1.1 背景描述 1.2 数据集 1.3 评测指标 二、解题思路 2.1 ML/DL的前提假设 2.2 主要思路 2.3 进一步的改进 三、动手实践 四、全部代码 一、题目描述 1.1 背景描述 本次推荐评论展示任务的目标是从真实的用户评论中，挖掘合适作为推荐理由的短句。点评软件展示的推荐理由具有长度限制，而真实用户评论语言通顺、信息完整。综合来说，两者都具有用户情感的正负向，但是展示推荐理由的内容相关性高于评论，需要较强的文本吸引力。一些真实的推荐理由如下图所示：                                                     

联合会 cvAUC R软件包提供了一种计算有效的方法，可以估计ROC曲线（AUC）估计值下交叉验证的面积的置信区间（或方差）。 在二元分类问题中， 通常用于评估预测模型的性能。 通常，它与相结合，以评估结果如何推广到一个独立的数据集。 为了评估交叉验证的AUC估计的质量，我们获得其方差的估计。 对于海量数据集，生成单个性能估计的过程在计算上可能会很昂贵。 另外，当使用复杂的预测方法时，即使在相对较小的数据集上对验证模型进行交叉验证的过程仍然需要大量的计算时间。 因此，在许多实际情况下，是方差估计的一种计算上难以处理的方法。 作为引导程序的替代方法，可以使用基于计算效率的的方法来获得交叉验证的AUC的方差估计。 该软件包的主要功能是ci.cvAUC和ci.pooled.cvAUC ，它们报告交叉验证的AUC并分别基于和影响曲线来计算交叉验证的AUC估计的置信区间。 使用基于影响曲线的置

AUC的计算及ROC曲线的绘制， %scores为每个样本属于1类的概率，testclass分为0类和1类 %输出res为AUC面积，计算方式为矩形面积之和，sum1为ROC曲线的tpr和fpr值对