auc的置信区间python

在Python中，我们可以使用Scikit-learn库来计算AUC（Area Under the Curve）以及其置信区间。以下是一个简单的示例：

from sklearn import metrics
import numpy as np

# 生成随机的真实标签和预测概率
y_true = np.random.randint(0, 2, 100)  # 真实标签（0或1）
y_pred_proba = np.random.rand(100)  # 预测概率（0到1之间）

# 计算AUC
auc = metrics.roc_auc_score(y_true, y_pred_proba)

# 使用bootstrap方法获取AUC的置信区间
n_bootstrap = 1000  # bootstrap迭代次数
auc_scores = []
for _ in range(n_bootstrap):
    indices = np.random.choice(len(y_true), len(y_true), replace=True)
    sample_true = y_true[indices]
    sample_pred_proba = y_pred_proba[indices]
    auc_score = metrics.roc_auc_score(sample_true, sample_pred_proba)
    auc_scores.append(auc_score)

conf_interval = np.percentile(auc_scores, [2.5, 97.5])  # 置信区间的下限和上限

print("AUC:", auc)
print("Confidence Interval:", conf_interval)

上述示例中，我们首先生成了100个随机的真实标签和预测概率。然后，使用`roc_auc_score`函数计算了AUC的值。接下来，通过bootstrap方法进行1000次迭代，随机选择数据样本并使用`roc_auc_score`计算每个样本的AUC值，并将这些值保存在`auc_scores`列表中。最后，使用`np.percentile`函数计算auc_scores的置信区间的下限和上限。

请注意，bootstrap方法是一种通过重新采样建立置信区间的技术。我们通过生成的独立样本来估计AUC的分布，并使用这些样本计算置信区间。这样，我们可以对AUC的估计结果进行统计显著性的推断。