ROC 곡선

ROC 곡선 Receiver Operating Characteristic

• 수신자 특성 곡선: 신호 이론에서 유래한 이름 감도를 높이면 노이즈도 같이 올라가는 상황에서 최적의 감도를 결정하는 문제
• 가로축은 FPR(=1-특이도), 세로축은 TPR(=재현도)
• 문턱값을 변화시키면서 특이도와 재현도의 변화를 곡선으로 표시
• 곡선하 면적(Area Under the Curve): ROC 곡선 아래의 면적
• 완벽하게 반대로 예측하면 0~ 무작위로 예측할 경우 0.5 ~ 완벽하게 예측하면 1

Python ROC 곡선

• 임포트

  from sklearn.metrics import roc_auc_score, roc_curve
  import matplotlib.pyplot as plt

• 시각화

  fpr, tpr, threshold = roc_curve(y_test, prob)
  plt.plot(fpr, tpr)

• AUC

  roc_auc_score(y_test, prob)

퀴즈

hi = pd.read_excel('hiring.xlsx')  # 데이터 불러오기
hi['y'] = hi.hire.map({'P': 1, 'F': 0}) # P는 1, F는 0으로 변환
m = logit('y ~ gpa + test + major', hi).fit() # 분석

y_test = hi.y  # 실제 값
prob = m.predict(hi)  # 확률 예측
y_pred = np.where(prob > 0.5, 1, 0)  # 문턱값보다 크면 1, 아니면 0으로 예측