Я понимаю, что кривая ROC для модели строится путем изменения порога (который влияет на TPR, FPR).
Таким образом, мое первоначальное понимание состоит в том, что для расчета AUROC вам нужно многократно запускать модель с другим порогом, чтобы получить эту кривую и, наконец, вычислить площадь.
Но, похоже, вам просто нужна некоторая оценка вероятности положительного класса, как в примере кода в roc_auc_score sklearn ниже, чтобы вычислить AUROC.
>>> импорт numpy как np
>>> из sklearn.metrics import roc_auc_score
>>> y_true = np.array ([0, 0, 1, 1])
>>> y_scores = np.array ([0,1, 0,4, 0,35, 0,8])
>>> roc_auc_score (y_true, y_scores)
0,75
Как это работает? Любое рекомендованное чтение?