我需要评估两个分类算法的性能。我使用sklearn的roc_curve（文档在此）获得了假阳性率和真阳性率。我使用了以下代码：

fpr = dict()tpr = dict()roc_auc = dict()for i in range(2):    fpr[i], tpr[i], _ = roc_curve(true_labels, pred_labels)    roc_auc[i] = auc(fpr[i], tpr[i])

我有两个分类器的这些信息，现在我想比较它们。我知道可以使用AUC或其他指标，但是我真的想了解一个ROC曲线在另一个曲线之上的百分比。因此，我想对两个曲线的点进行成对比较。

我的第一个想法是比较每个fpr元素对应的tpr。不幸的是，fpr和tpr对象的大小不同，因为它们是插值步骤的输出。

有什么方法可以做到这一点吗？似乎我无法告诉roc_curve函数我想要输出多少（以及哪些）点，以使比较可行。使用sklearn并不是必需的。

回答：

这个解决方案不特定于sklearn，而是一种科学方法。使用蒙特卡洛方法。在单位正方形内生成10K个点，并计算位于两个ROC曲线下的点的数量，用c表示。c/10000等于这两个曲线的交叉面积，因为单位正方形的面积为1。

要在单位正方形内生成随机点，可以使用以下代码：

import random x = random.random()y = random.random()

你可以通过在xs和ys列表末尾添加0，并使用以下代码来检查点(x,y)是否在曲线下方：

is_under = Truefor i in range(1, len(xs)): # 0 is added to the tails of xs and ys    m = (y[1] - y[0])/(x[1]-x[0])    if y > m * (x - x[0]) + y[0]:        is_under = False        break

在上面的代码中，我们检查了给定的点(x,y)是否在曲线的任何一段下方。如果是，循环结束时is_under应为True，否则应为False。

请注意，如果增加点的数量，方法的精度会提高。