Skip to main content
 首页 » 编程设计

python之如何在 python 中计算一级 SVM 的 AUC

2025年05月04日13JustinYoung

我很难在 python 中绘制 OneClassSVM 的 AUC 图(我正在使用 sklearn,它生成混淆矩阵,如 [[tp, fp],[fn,tn]] 和 fn=tn =0。

from sklearn.metrics import roc_curve, auc 
fpr, tpr, thresholds = roc_curve(y_test, y_nb_predicted) 
roc_auc = auc(fpr, tpr) # this generates ValueError[1] 
print "Area under the ROC curve : %f" % roc_auc 
plt.plot(fpr, tpr, label='ROC curve (area = %0.2f)' % roc_auc) 

我想处理错误 [1] 并为 OneClassSVM 绘制 AUC。

[1] ValueError: Input contains NaN, infinity or a value too large for dtype('float64'). 

请您参考如下方法:

请参阅my answer在类似的问题上。要点是:

  • OneClassSVM 从根本上不支持将决策转换为概率分数,因此您无法将必要的分数传递到需要改变分数阈值的函数中,例如 ROC 或 Precision-Recall 曲线和分数。

  • 您可以通过计算输入数据中 OneClassSVM 决策函数的最大值来近似计算此类分数,将其称为 MAX,然后对给定观察结果的预测进行评分 y 通过计算 y_score = MAX - decision_function(y)。

  • 使用这些分数作为 y_score 传递给 average_precision_score 等函数,这些函数将接受非阈值分数而不是概率。

  • 最后,请记住,ROC 对于 OneClassSVM 的物理意义不大,特别是因为 OneClassSVM 适用于存在预期的巨大类不平衡(离群值与非离群值)的情况,而 ROC 不会准确对少量异常值的相对成功进行加权。