不使用scikit-learn如何基于TP/FP/FN数据绘制ROC-AUC曲线

首先需要明确：ROC曲线的横轴为假阳性率(FPR)，纵轴为真阳性率(TPR=Recall)，绘制逻辑是先将所有检测结果按置信度从高到低排序，逐点累加得到不同阈值下的累计TP、FP、FN，再计算对应FPR、TPR，最后用梯形法计算AUC。你提供的7组(TP,FP,FN)如果是不同阈值下的全局统计值，可直接按以下步骤实现：

1. 完整代码实现 #

import matplotlib.pyplot as plt

# 你的原始数据
data = [(12, 0, 0), (5, 2, 2), (10, 0, 1), (7, 1, 1), (13, 0, 0), (7, 2, 2), (11, 0, 2)]

def calculate_recall_precision(data):
    precisions_bundle = []
    recalls_bundle = []
    for tp, fp, fn in data:
        precision = tp / (tp + fp) if (tp + fp) != 0 else 0
        recall = tp / (tp + fn) if (tp + fn) != 0 else 0
        precisions_bundle.append(precision)
        recalls_bundle.append(recall)
    return (precisions_bundle, recalls_bundle)

# 额外实现FPR计算、AUC计算、ROC绘制函数
def calculate_fpr(data, total_neg_samples):
    fpr_bundle = []
    for tp, fp, fn in data:
        fpr = fp / total_neg_samples if total_neg_samples !=0 else 0
        fpr_bundle.append(fpr)
    return fpr_bundle

def calculate_auc(fpr_list, tpr_list):
    # 先按FPR从小到大排序
    sorted_pairs = sorted(zip(fpr_list, tpr_list), key=lambda x: x[0])
    sorted_fpr = [p[0] for p in sorted_pairs]
    sorted_tpr = [p[1] for p in sorted_pairs]
    # 补全(0,0)和(1,1)端点避免计算误差
    if sorted_fpr[0] != 0:
        sorted_fpr.insert(0, 0)
        sorted_tpr.insert(0, 0)
    if sorted_fpr[-1] != 1:
        sorted_fpr.append(1)
        sorted_tpr.append(sorted_tpr[-1])
    # 梯形法积分计算AUC
    auc = 0.0
    for i in range(1, len(sorted_fpr)):
        width = sorted_fpr[i] - sorted_fpr[i-1]
        height = (sorted_tpr[i] + sorted_tpr[i-1]) / 2
        auc += width * height
    return auc, sorted_fpr, sorted_tpr

def plot_roc(fpr, tpr, auc_score):
    plt.figure(figsize=(8,6))
    plt.plot(fpr, tpr, color='darkorange', lw=2, label=f'ROC curve (AUC = {auc_score:.3f})')
    plt.plot([0,1], [0,1], color='navy', lw=2, linestyle='--')
    plt.xlim([0.0, 1.0])
    plt.ylim([0.0, 1.05])
    plt.xlabel('False Positive Rate (FPR)')
    plt.ylabel('True Positive Rate (TPR/Recall)')
    plt.title('Receiver Operating Characteristic')
    plt.legend(loc="lower right")
    plt.show()

# 调用示例
if __name__ == "__main__":
    # 注意：total_neg_samples为你的数据集中总负样本（背景）数量，需要你根据实际数据集替换
    total_neg_samples = 100 # 示例值，替换为你的真实值
    precisions, tpr_list = calculate_recall_precision(data)
    fpr_list = calculate_fpr(data, total_neg_samples)
    auc_score, sorted_fpr, sorted_tpr = calculate_auc(fpr_list, tpr_list)
    print(f"AUC值为：{auc_score:.3f}")
    plot_roc(sorted_fpr, sorted_tpr, auc_score)

2. 注意事项 #

• 如果你的7组(TP,FP,FN)是单张图像独立统计的结果，需要先把所有图像的检测框按置信度从高到低排序，逐一遍历每个检测框，累加全局的TP、FP数量，再结合总正样本数计算每个阈值点的TPR和FPR，再进行后续计算。
• 代码中的total_neg_samples需要替换为你数据集的总背景负样本数量，若你不需要严格的FPR数值，也可以将横轴替换为查准率绘制PR曲线，PR曲线更适合目标检测任务的效果评估。

内容的提问来源于stack exchange，提问作者RZAMarefat