3. ROC 曲线与 AUC：从绘制原理到多分类扩展

ROC 曲线（Receiver Operating Characteristic Curve）与 AUC（Area Under the Curve）是二分类模型评估中最具鲁棒性的工具之一。它们不依赖固定的分类阈值，能够全面反映模型在不同决策边界下的区分能力。本节从绘制原理出发，逐步深入到 AUC 的统计意义与多分类扩展。

3.1 ROC 曲线绘制原理

ROC 曲线的核心思想是：通过遍历所有可能的分类阈值，计算每个阈值下的 真正例率（TPR） 与 假正例率（FPR），并以 FPR 为横轴、TPR 为纵轴绘制曲线。

绘制步骤：

1. 模型对每个样本输出一个概率值（或置信度分数）。
2. 将所有样本按概率从高到低排序。
3. 从最高概率开始，依次将每个概率值作为阈值 θ：
• 概率 ≥ θ 预测为正例，否则为负例。
• 计算当前阈值下的 TPR 与 FPR。
4. 将 (FPR, TPR) 点对依次连接，得到 ROC 曲线。

3.2 AUC 的统计意义

AUC（Area Under the ROC Curve）是 ROC 曲线下的面积，取值范围为 [0, 1]。其核心统计意义可以从三个角度理解：

3.3 多分类 ROC 扩展

当面对 K 类分类问题时，ROC 曲线需要从二分类扩展到多分类场景。常用的扩展策略有三种：

• OvR（One-vs-Rest）宏平均： 对每个类别分别计算 ROC 曲线与 AUC，然后取算术平均。每个类别被视为正类，其余所有类别合并为负类。
• OvR 微平均： 将所有类别的 TP、FP、FN 汇总后，统一计算 TPR 与 FPR，再绘制 ROC 曲线。微平均更关注大类别的表现。
• OvO（One-vs-One）平均： 对每对类别组合计算 AUC，然后取所有组合的平均值。适用于类别数较少且需要细粒度比较的场景。

3.4 代码实现：ROC 曲线与 AUC 计算

以下代码使用 scikit-learn 演示二分类与多分类场景下的 ROC 曲线绘制与 AUC 计算：

import numpy as np
import matplotlib.pyplot as plt
from sklearn.datasets import make_classification
from sklearn.model_selection import train_test_split
from sklearn.linear_model import LogisticRegression
from sklearn.metrics import roc_curve, auc, roc_auc_score
from sklearn.preprocessing import label_binarize

# ========== 二分类示例 ==========
X, y = make_classification(n_samples=1000, n_features=10, random_state=42)
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=42)

model = LogisticRegression()
model.fit(X_train, y_train)
y_prob = model.predict_proba(X_test)[:, 1]

fpr, tpr, thresholds = roc_curve(y_test, y_prob)
roc_auc = auc(fpr, tpr)

print(f"二分类 AUC: {roc_auc:.4f}")

# ========== 多分类示例（OvR 宏平均） ==========
X_multi, y_multi = make_classification(n_samples=1000, n_features=10, n_classes=3, n_informative=5, random_state=42)
X_train_m, X_test_m, y_train_m, y_test_m = train_test_split(X_multi, y_multi, test_size=0.3, random_state=42)

model_multi = LogisticRegression(multi_class='ovr')
model_multi.fit(X_train_m, y_train_m)
y_prob_multi = model_multi.predict_proba(X_test_m)

# 将标签二值化
y_test_bin = label_binarize(y_test_m, classes=[0, 1, 2])
n_classes = y_test_bin.shape[1]

# 计算每个类别的 ROC 与 AUC
fpr_dict = {}
tpr_dict = {}
roc_auc_dict = {}

for i in range(n_classes):
    fpr_dict[i], tpr_dict[i], _ = roc_curve(y_test_bin[:, i], y_prob_multi[:, i])
    roc_auc_dict[i] = auc(fpr_dict[i], tpr_dict[i])

# 宏平均 AUC
macro_auc = np.mean(list(roc_auc_dict.values()))
print(f"多分类 OvR 宏平均 AUC: {macro_auc:.4f}")
print(f"各类别 AUC: {roc_auc_dict}")