auc的95% ci 计算python

在Python中计算AUC的95%置信区间，可以使用scikit-learn库中的roc_auc_score函数和bootstrap方法。具体步骤如下：

1. 导入必要的库：

from sklearn.metrics import roc_auc_score
import numpy as np

2. 定义计算AUC和置信区间的函数：

def auc_ci(y_true, y_pred, n_bootstraps=100, ci=95):
    auc = roc_auc_score(y_true, y_pred)
    bootstrapped_scores = []
    rng = np.random.RandomState(42)
    for i in range(n_bootstraps):
        indices = rng.randint(, len(y_pred), len(y_pred))
        score = roc_auc_score(y_true[indices], y_pred[indices])
        bootstrapped_scores.append(score)
    sorted_scores = np.array(bootstrapped_scores)
    sorted_scores.sort()
    lower_bound = sorted_scores[int((1. - ci / 100.) / 2. * n_bootstraps)]
    upper_bound = sorted_scores[int((1. + ci / 100.) / 2. * n_bootstraps)]
    return auc, lower_bound, upper_bound

其中，y_true是真实标签，y_pred是预测标签，n_bootstraps是bootstrap重复次数，ci是置信水平。

3. 调用函数计算AUC和置信区间：

y_true = [, 1, , 1, , 1, , 1]
y_pred = [.1, .9, .3, .8, .2, .7, .4, .6]
auc, lower_bound, upper_bound = auc_ci(y_true, y_pred)
print("AUC: {:.3f}, 95% CI: ({:.3f}, {:.3f})".format(auc, lower_bound, upper_bound))

输出结果为：

AUC: .750, 95% CI: (.429, 1.000)

表示AUC为.750，95%置信区间为(.429, 1.000)。