ROC曲线和AUC值谁提出的

ROC曲线和AUC值是统计学中常用于评估分类模型性能的指标。ROC（Receiver Operating Characteristic）曲线是以真正例率（True Positive Rate）为纵轴，假正例率（False Positive Rate）为横轴所构成的曲线。AUC（Area Under the Curve）值则是ROC曲线下的面积。

关于谁提出了ROC曲线和AUC值的概念，这是由两位统计学家提出的：Maurice G. Kendall和Alec Robertson在1955年独立提出了ROC曲线的概念。后来，AUC值的概念由Patrick Hanley在1982年引入。

相关问题

python绘制基于GCN训练模型roc曲线

您好，感谢您向我提出问题。关于您的问题，我了解到GCN是图卷积网络，而ROC曲线是用于二分类问题的性能评估指标之一。绘制基于GCN训练模型的ROC曲线，一般需要进行如下步骤：

1. 进行GCN模型的训练和测试，获取不同阈值下的真阳性(True Positive)和假阳性(False Positive)。

2. 计算不同阈值下的真阳性率(True Positive Rate)和假阳性率(False Positive Rate)。

3. 绘制ROC曲线，横轴为假阳性率，纵轴为真阳性率。

在Python中，您可以使用scikit-learn库中的roc_curve()函数计算真阳性率和假阳性率，使用matplotlib库绘制ROC曲线。以下是一份Python代码示例：

import numpy as np 
import matplotlib.pyplot as plt 
from sklearn.metrics import roc_curve, auc 

# 假设您已经获取到了不同阈值下的真阳性和假阳性数组
y_true = np.array(...)
y_pred = np.array(...)

# 使用roc_curve()函数计算真阳性率和假阳性率
fpr, tpr, thresholds = roc_curve(y_true, y_pred)
roc_auc = auc(fpr, tpr)

# 绘制ROC曲线
plt.plot(fpr, tpr, label = 'ROC curve (area = %0.2f)' % roc_auc)
plt.plot([0, 1], [0, 1], 'k--')
plt.xlim([0.0, 1.0])
plt.ylim([0.0, 1.05])
plt.xlabel('False Positive Rate')
plt.ylabel('True Positive Rate')
plt.title('ROC Curve')
plt.legend(loc = "lower right")
plt.show()

希望以上内容能够帮助您解答问题。如果您还有其他疑问，请随时向我提问。

用matlab写一段ROC曲线的代码

好的，关于您的问题，我可以为您提供一段MATLAB代码编写ROC曲线。以下是代码示例：

% 构造测试样例数据
scores = rand(1,100);
labels = scores > 0.5;

% 计算ROC曲线数据
[X,Y,~,AUC] = perfcurve(labels, scores, true);

% 绘制ROC曲线图像
figure()
plot(X, Y)
xlabel('False Positive Rate')
ylabel('True Positive Rate')
title(['ROC Curve (AUC = ',num2str(AUC),')'])

运行代码后，您将得到一张ROC曲线的图片，同时还会显示出该曲线的AUC值。

希望这段代码可以帮助到您，如有其他问题，欢迎随时提出。