sklearn 已知roc曲线和fpr如何反求tpr

在`sklearn.metrics`库中，如果你已经有了ROC曲线（True Positive Rate, TPR 对应于召回率）和False Positive Rate (FPR)，可以通过逆运算来反求True Positive Rate (TPR)。ROC曲线通常由一系列(假阳性率,真正例率)对组成，其中每个点对应于不同的阈值。当你知道FPR和希望找到相应的TPR时，你可以通过查找曲线上的点来实现。

以下是如何使用`sklearn.metrics.recall_score()`函数基于给定的FPR反推TPR的简单示例[^1]：

from sklearn.metrics import roc_curve, recall_score

# 假设我们有一个预先计算好的ROC曲线
fpr, tpr, _ = roc_curve(y_true, y_scores)

# 给定特定的FPR值，比如0.2
target_fpr = 0.2

# 查找ROC曲线上对应的TPR值
tpr_at_target_fpr = None
for i, f in enumerate(fpr):
    if f > target_fpr:
        tpr_at_target_fpr = tpr[i - 1]  # 使用上一个点的TPR，因为FPR是连续递增的
        break

recall_at_target_fpr = tpr_at_target_fpr

recall_at_target_fpr

这里假设`y_true`是真实标签，`y_scores`是模型预测的概率分数。请注意，由于FPR是单调递增的，所以你需要找到的是低于目标FPR的那个点的TPR值。