如何针对非平衡数据集计算分层K折交叉验证的假阳性率（FPR）

云原生阿岚

2026-9-26

要实现在分层K折交叉验证中计算假阳性率（FPR），你只需要自定义FPR的评分函数，添加到现有scoring字典即可，具体实现如下：

实现步骤

首先自定义FPR计算函数：FPR的计算公式为 假阳性样本数 / (假阳性样本数 + 真阴性样本数)，我们可以借助sklearn的混淆矩阵接口计算
用make_scorer包装自定义的FPR函数，加入到现有的评分字典中
运行交叉验证即可同时返回FPR的每折结果

完整修改后代码

# 新增导入混淆矩阵接口和决策树分类器（原代码漏了决策树的导入）
from sklearn.metrics import make_scorer, accuracy_score, precision_score, recall_score, f1_score, confusion_matrix
from sklearn.model_selection import StratifiedKFold
from sklearn.model_selection import cross_validate
from sklearn.tree import DecisionTreeClassifier

# 自定义FPR评分函数，增加除零保护避免特殊样本分布报错
def false_positive_rate(y_true, y_pred):
    tn, fp, fn, tp = confusion_matrix(y_true, y_pred).ravel()
    denominator = fp + tn
    if denominator == 0:
        return 0.0
    return fp / denominator

scoring = {'accuracy' : make_scorer(accuracy_score), 
           'precision' : make_scorer(precision_score),
           'recall' : make_scorer(recall_score), 
           'f1_score' : make_scorer(f1_score),
           # 新增FPR评分项
           'fpr': make_scorer(false_positive_rate)}

skfold = StratifiedKFold(n_splits=10)
dt_clf = DecisionTreeClassifier()

results = cross_validate(estimator=dt_clf,
                      X=data_train_X,
                      y=target_train_Y,
                      cv=skfold,
                      scoring=scoring)
print("Results", results)
# 可单独调取每折FPR结果
print("每折FPR结果：", results['test_fpr'])
# 查看10折平均FPR
print("平均FPR：", results['test_fpr'].mean())