在scikit-learn中，你可以使用以下代码计算二分类器的曲线下面积：

roc_auc_score( Y, clf.predict_proba(X)[:,1] )

我只对曲线中假阳性率小于0.1的部分感兴趣。

给定这样的假阳性率阈值，我如何计算仅限于阈值之前的曲线部分的AUC？

这里有一个包含多个ROC曲线的示例，用于说明：

scikit-learn的文档展示了如何使用roc_curve：

>>> import numpy as np>>> from sklearn import metrics>>> y = np.array([1, 1, 2, 2])>>> scores = np.array([0.1, 0.4, 0.35, 0.8])>>> fpr, tpr, thresholds = metrics.roc_curve(y, scores, pos_label=2)>>> fprarray([ 0. ,  0.5,  0.5,  1. ])>>> tprarray([ 0.5,  0.5,  1. ,  1. ])>>> thresholdsarray([ 0.8 ,  0.4 ,  0.35,  0.1 ]

有没有简单的方法从这里计算部分AUC？

似乎唯一的问题是如何在roc_curve不一定提供的情况下计算fpr = 0.1时的tpr值。

回答：

Python sklearn的roc_auc_score()现在允许你设置max_fpr。在你的情况下，你可以设置max_fpr=0.1，该函数将为你计算AUC。 https://scikit-learn.org/stable/modules/generated/sklearn.metrics.roc_auc_score.html