python计算eer

EER（Equal Error Rate）是一种用于衡量分类器性能的指标，它表示在拒绝攻击者和接受合法用户之间达成平衡的错误率。计算EER需要先计算出FAR（False Acceptance Rate）和FRR（False Rejection Rate），然后找到这两个值相等时的阈值，该阈值就是EER。

下面是一个计算EER的Python代码示例：

import numpy as np

def compute_eer(scores, labels):
    # Sort the scores in decreasing order
    indices = np.argsort(scores)[::-1]
    labels = labels[indices]

    # Compute the false positive rates (FPR) and true positive rates (TPR)
    n_pos = np.sum(labels == 1)
    n_neg = np.sum(labels == 0)
    fpr = np.zeros(n_neg + 1)
    tpr = np.zeros(n_neg + 1)
    for i in range(n_neg):
        fpr[i + 1] = fpr[i] + (labels[i] == 0) / n_neg
        tpr[i + 1] = tpr[i] + (labels[i] == 1) / n_pos

    # Find the threshold that gives the EER
    distances = np.abs(fpr - (1 - tpr))
    eer_index = np.argmin(distances)
    eer = (fpr[eer_index] + (1 - tpr[eer_index])) / 2

    return eer

这个函数接受两个参数：`scores`是一个Numpy数组，包含了每个样本的分类器得分；`labels`是一个Numpy数组，包含了每个样本的真实标签（0表示负类，1表示正类）。

该函数首先按照得分从大到小对样本进行排序，然后计算FPR和TPR。接着，它计算每个阈值下FPR和(1-TPR)之间的绝对差距，并找出最小的差距对应的阈值。该阈值就是EER。