Python度量ROC曲线：直方图的负预测值？

我有一个由matplotlib生成的直方图，我一直在使用sklearn metrics来计算精确召回曲线。这是一个显示直方图的阳性预测值（PPV）的曲线图，该值与召回率相关。这是柱状图：

生成的曲线采用以下形式：

我认为负预测值（NPV）是PPV的倒数，所以我的猜测是简单地做NPV=1-PPV，但结果不太理想。到目前为止，我一直在使用sklearn模块中度量库中的函数来生成ROC曲线和精度召回曲线。但到目前为止，我还没有发现任何具体的指标曲线可以像负预测值那样起作用。这是我用来从直方图生成曲线的源代码：

import numpy as np
import matplotlib.mlab as mlab
import matplotlib.pyplot as plt
import pylab
from sklearn import metrics

data1 = np.loadtxt('1.txt') 
data2 = np.loadtxt('2.txt') 
x = np.transpose(data1)[1]
y = np.transpose(data2)[1]

background =  (1 + y)/2
signal =  (1 + x)/2

classifier_output = np.concatenate([background,signal])
true_value = np.concatenate([np.zeros_like(background, dtype=int), np.ones_like(signal, dtype=int)])

precision, recall, threshold = metrics.precision_recall_curve(true_value, classifier_output)
plt.plot(recall, precision)
plt.show()

---

在度量或一般情况下，有没有其他方法来计算这个直方图的NPV

尽管从绘图中很难判断精度和召回率，但我们可以很容易地修改代码以计算您的要求

从精度来看（也称为阳性预测值或PPV）是真阳性数除以预测为阳性的样本数（即真阳性+假阳性），而阴性预测值或NPV是真阴性数除以预测为阴性的样本数。因此，我们可以通过正负互换来计算净现值。代码：

将numpy导入为np
将matplotlib.mlab导入为mlab
将matplotlib.pyplot作为plt导入
进口派拉布
从SKM学习导入度量
data1=np.loadtxt（'1.txt'）
data2=np.loadtxt（'2.txt'）
x=np.转置（数据1）[1]
y=np.转置（数据2）[1]
背景=（1+y）/2
信号=（1+x）/2
分类器_输出=np.连接（[背景，信号]）
true\u value=np.concatenate（[np.zero\u like（background，dtype=int），np.one\u like（signal，dtype=int）]）
精度、召回率、阈值=度量。精度、召回率曲线（真值、分类器输出）
npv、fnr、inv\u thresh=度量、精度\u召回\u曲线（1-真值，1-分类器\u输出）
plt.绘图（召回率、精度）
情节图（召回，净现值[：-1]）
plt.show（）

请注意，我们需要反转

npv

，以匹配

精度的顺序。这是因为
metrics.precision\u recall\u curve
根据阈值（即输入分数）对输出进行排序。因为我们使用了一次
classifier\u output
和一次
1-classifier\u output
作为输入，所以顺序相反。如果要检查此项，请尝试绘制
精度
和
净现值
w.r.t.
阈值
和
库存阈值

免责声明：我无法尝试我提供的代码，因此可能需要进行更多的改进
尽管从绘图中很难判断您的精度和召回率，但我们可以轻松修改您的代码以计算您的要求

从精度来看（也称为阳性预测值或PPV）是真阳性数除以预测为阳性的样本数（即真阳性+假阳性），而阴性预测值或NPV是真阴性数除以预测为阴性的样本数。因此，我们可以通过正负互换来计算净现值。代码：

将numpy导入为np
将matplotlib.mlab导入为mlab
将matplotlib.pyplot作为plt导入
进口派拉布
从SKM学习导入度量
data1=np.loadtxt（'1.txt'）
data2=np.loadtxt（'2.txt'）
x=np.转置（数据1）[1]
y=np.转置（数据2）[1]
背景=（1+y）/2
信号=（1+x）/2
分类器_输出=np.连接（[背景，信号]）
true\u value=np.concatenate（[np.zero\u like（background，dtype=int），np.one\u like（signal，dtype=int）]）
精度、召回率、阈值=度量。精度、召回率曲线（真值、分类器输出）
npv、fnr、inv\u thresh=度量、精度\u召回\u曲线（1-真值，1-分类器\u输出）
plt.绘图（召回率、精度）
情节图（召回，净现值[：-1]）
plt.show（）

请注意，我们需要反转
npv
，以匹配
精度的顺序。这是因为
metrics.precision\u recall\u curve
根据阈值（即输入分数）对输出进行排序。因为我们使用了一次
classifier\u output
和一次
1-classifier\u output
作为输入，所以顺序相反。如果要检查此项，请尝试绘制
精度
和
净现值
w.r.t.
阈值
和
库存阈值

免责声明：我无法尝试我提供的代码，因此可能需要进行更多的改进