2. ROC 曲线基本概念：TPR 与 FPR 到底在说什么？

好，咱们进入正题。ROC 曲线这名字听起来挺学术，但说白了，它就是一张帮你判断「这个阈值设得值不值得」的二维地图。很多新手拿到测试数据集就急着调阈值，结果调了半天，假阳性一堆，真阳性也丢了——我当年就干过这种事。

想用好 ROC 曲线，你首先得搞清楚两个核心指标：真正例率（True Positive Rate，TPR）和假正例率（False Positive Rate，FPR）。这俩家伙就像天平的两端，你调阈值的时候，它们会相互拉扯。

2.1 从混淆矩阵说起

别急，我们先看一眼混淆矩阵。你手里有一组质控样本，模型对每个样本都会输出一个预测分数。你设一个阈值，分数高于阈值就算阳性（异常），低于就算阴性（正常）。然后你拿预测结果和真实标签一对比，就会得到四个格子：

  • TP（真阳性）：实际阳性，你预测为阳性
  • FP（假阳性）：实际阴性，你预测为阳性
  • FN（假阴性）：实际阳性，你预测为阴性
  • TN（真阴性）：实际阴性，你预测为阴性

你想想看，这四个数字直接决定了你的质控效果。我最开始做质控时只盯着准确率，结果忽略了假阳性，导致生产线上一堆误报，工程师天天抱怨。后来才悟到，你要看的不是绝对数字，而是比率。

2.2 TPR —— 你抓住了多少真正的异常？

TPR 的计算公式很简单：

TPR = TP / (TP + FN)

TP + FN 是所有真实阳性样本的总数。TPR 反映的是：在所有的真实异常中，你成功检测出了多少。换句话说，TPR 越高，漏检越少。

我在一个医学影像质控项目里遇到过这种情况：模型 TPR 达到 0.99，但依然有 1‰ 的漏检。甲方要求必须零漏检，怎么办？只能把阈值压得特别低，结果假阳性爆表。嗯，那时候我就开始认真研究 ROC 曲线了。

2.3 FPR —— 你冤枉了多少正常样本？

FPR 的公式长这样：

FPR = FP / (FP + TN)

FP + TN 是所有真实阴性样本的总数。FPR 体现的是：在所有的正常样本里，有多少被你错误地标记成了异常。FPR 越低，误报越少。

千万别小看 FPR。假设你的阴性样本有 100 万批，FPR 哪怕只有 0.01，也会产生 100 个假阳性。每个假阳性都要人工复核，成本够你喝一壶的。

2.4 我们为什么要把 TPR 和 FPR 放在一张图上？

因为单一阈值下，你只能看到一个 TPR 和 FPR 的组合点。但阈值从 0 滑到 1 时，你会得到一连串的点——把这些点连起来，就是 ROC 曲线。它的横轴是 FPR，纵轴是 TPR。

  • 横轴（FPR）：误报率，越往左越好
  • 纵轴（TPR）：抓取率，越往上越好
  • 对角线：表示完全随机猜，毫无区分能力

一个优秀的分类器，ROC 曲线会疯狂向左上角凸起。如果曲线贴着对角线，那你的模型基本等于抛硬币。我以前用过一个特征堆叠的模型，画出来 ROC 曲线几乎贴着对角线，气得我当场删代码重构。

小技巧： 画 ROC 曲线之前，建议先给模型输出排序。阈值从大到小滑动，每次只改变一个样本的状态，这样画出来的曲线才光滑。我习惯写一个循环，每次取一个预测分数作为阈值，然后累积计算 TPR 和 FPR。

2.5 一个简单的计算例子

假设你有 5 个样本，真实标签和预测分数如下：

样本真实标签预测分数
A阳性0.92
B阳性0.76
C阴性0.63
D阴性0.38
E阳性0.25

设定阈值 0.7，得分 ≥ 0.7 预测为阳性。那么：

  • TP：A 和 B → 2
  • FP：C（阴性但分数≥0.7）→ 1
  • FN：E（阳性但分数<0.7）→ 1
  • TN：D → 1

计算：

TPR = 2 / (2+1) = 0.667
FPR = 1 / (1+1) = 0.5

把这个点标在坐标系上，就是 (0.5, 0.667)。换一个阈值，再算一个点，最终连线。

在 Python 里你可以直接写：

import numpy as np

y_true = [1, 1, 0, 0, 1]
y_score = [0.92, 0.76, 0.63, 0.38, 0.25]

thresholds = np.linspace(0, 1, 100)
tpr_list = []
fpr_list = []

for th in thresholds:
    pred = [1 if s >= th else 0 for s in y_score]
    tp = sum((p == 1) and (t == 1) for p, t in zip(pred, y_true))
    fp = sum((p == 1) and (t == 0) for p, t in zip(pred, y_true))
    fn = sum((p == 0) and (t == 1) for p, t in zip(pred, y_true))
    tn = sum((p == 0) and (t == 0) for p, t in zip(pred, y_true))
    tpr_list.append(tp / (tp + fn) if (tp+fn) > 0 else 0)
    fpr_list.append(fp / (fp + tn) if (fp+tn) > 0 else 0)

嗯，这段代码虽然能跑，但效率不高。生产中我通常用 sklearn.metrics.roc_curve，不过为了理解原理，手动算一遍更有感觉。

2.6 知识体系图：从混淆矩阵到 ROC 曲线

下面这张图帮你把整个逻辑串起来，看一眼就能记住核心关系。

ROC 曲线核心概念流程 混淆矩阵 TP | FP FN | TN TPR = TP/(TP+FN) 真正例率（灵敏度） FPR = FP/(FP+TN) 假正例率（1-特异度） 阈值滑动 0→1 ROC 曲线 FPR (x) vs TPR (y) 每个阈值一个点 关键理解 1. 一个混淆矩阵 → 一对 (TPR, FPR) 点 2. 不同阈值 → 不同的混淆矩阵 → 曲线上不同点 3. 将所有点连起来 → ROC 曲线 4. 曲线越靠近左上角，模型区分能力越强

2.7 容易踩的坑

小心样本不平衡： 如果你数据里阳性样本极少（比如只有 0.1%），画出来的 ROC 曲线会非常好看——因为 FPR 的计算分母（TN+FP）巨大，FP 哪怕翻几倍，FPR 还是很小。这时候你应该同时看 PR 曲线（Precision-Recall），它更能反映稀有异常的性能。我在一次质控竞赛中看到很多人只放 ROC 曲线，结果线下 AUC 很高，上线后一塌糊涂，就是这个原因。

2.8 总结一下

TPR 和 FPR 是 ROC 曲线的左右腿。理解它们，你才能看懂曲线为什么往左上角弯，为什么 AUC 是 0.5 代表随机。

指标公式含义
TPRTP / (TP + FN)真正例率，越高漏检越少
FPRFP / (FP + TN)假正例率，越低误报越少

有了这俩概念，下一张图你就可以动手画 ROC 曲线了。不过话不多说，先消化今天的知识——拿你手头的数据跑一遍混淆矩阵，手动算几个 TPR 和 FPR，感受一下阈值变化带来的 trade-off。

← 上一章 📖 返回目录 下一章 →