sklearn 的 roc_curve() 函数返回不同维度的阈值和 fpr答案

【问题标题】：sklearn's roc_curve() function returns thresholds and fpr of different dimensionssklearn 的 roc_curve() 函数返回不同维度的阈值和 fpr
【发布时间】：2021-05-22 11:16:02
【问题描述】：

我假设roc_curve() 为每个阈值计算 fpr 和 tpr。但是下面的代码显示fpr和thresholds有不同的维度。

from sklearn.metrics import roc_curve
fpr,tpr,thresholds = roc_curve(y_train_5,y_scores)

fpr.shape #(3908,)
thresholds.shape #(59966,)

我也想知道为什么

precisions,recalls,thresholds = precision_recall_curve(y_train_5,y_scores)
precisions #(59967,)
thresholds #(59966,)

precisions 的维度与 thresholds' 相差 1？

【问题讨论】：

标签： machine-learning scikit-learn roc

【解决方案1】：

对于 roc_curve() 的关注点，与精度/召回曲线不同，输出的长度确实取决于 drop_intermediate 选项（默认为 True），用于降低次优阈值（请参阅 here 以供参考）。

对于第二点，只要达到完全召回，就不再输出阈值。这可能是原因； this link 或 this link 也可能有所帮助。

【讨论】：