Python实战：用sklearn快速计算F1-Score和绘制ROC曲线（附完整代码）

丶方可

208人浏览 · 2026-03-22 00:34:43

丶方可 · 2026-03-22 00:34:43 发布

Python实战：用sklearn快速计算F1-Score和绘制ROC曲线（附完整代码）

在机器学习项目的落地过程中，模型评估往往比算法选择更能决定最终效果。很多工程师花费大量时间调参优化，却忽略了评估指标的选择与解读。本文将带你用Python的sklearn库，快速掌握分类任务中最实用的两个评估工具：F1-Score和ROC曲线。

1. 评估指标的核心概念

1.1 混淆矩阵：所有指标的基石

理解评估指标前，我们需要先掌握混淆矩阵这个基础工具。假设我们有一个二分类问题（正例/负例），模型的预测结果可以归纳为以下四种情况：

from sklearn.metrics import confusion_matrix
y_true = [1, 0, 1, 1, 0, 1]
y_pred = [1, 0, 1, 0, 0, 1]
print(confusion_matrix(y_true, y_pred))

输出结果中：

左上角是真正例(TP)：实际为正且预测为正
右上角是假正例(FP)：实际为负但预测为正
左下角是假负例(FN)：实际为正但预测为负
右下角是真负例(TN)：实际为负且预测为负

1.2 精确率 vs 召回率：鱼与熊掌

这两个指标常常需要权衡：

指标	公式	关注重点	适用场景
精确率	TP/(TP+FP)	预测为正的准确度	注重减少误报（如垃圾邮件过滤）
召回率	TP/(TP+FN)	找出所有正例的能力	注重减少漏报（如疾病诊断）

提示：当数据类别不平衡时，单独看准确率(Accuracy)会失真，这时精确率和召回率更有参考价值

2. F1-Score的实战计算

2.1 为什么需要F1-Score？

F1-Score是精确率和召回率的调和平均数，特别适合以下场景：

需要同时关注精确率和召回率
数据存在明显的类别不平衡
没有明确的指标优先级时

from sklearn.metrics import f1_score

# 示例1：常规计算
print(f1_score(y_true, y_pred))  

# 示例2：多类别场景（宏平均）
y_true_multi = [0, 1, 2, 0, 1, 2]
y_pred_multi = [0, 2, 1, 0, 0, 1]
print(f1_score(y_true_multi, y_pred_multi, average='macro'))

2.2 完整分类报告

sklearn提供了classification_report函数，可以一次性输出多个关键指标：

from sklearn.metrics import classification_report
print(classification_report(y_true, y_pred))

报告包含：

每个类别的精确率、召回率、F1-Score
支持度（样本数量）
加权/宏平均结果

3. ROC曲线的深度解析

3.1 理解ROC的核心逻辑

ROC曲线通过动态调整分类阈值，展示模型在不同严格程度下的表现。曲线越靠近左上角，模型性能越好。

关键概念：

TPR（真正例率）：等同于召回率
FPR（假正例率）：负例被误判为正例的比例

from sklearn.metrics import roc_curve
import matplotlib.pyplot as plt

# 生成示例数据
y_scores = [0.8, 0.4, 0.6, 0.3, 0.9]  # 模型预测概率
y_true = [1, 0, 1, 0, 1]

fpr, tpr, thresholds = roc_curve(y_true, y_scores)
plt.plot(fpr, tpr)
plt.xlabel('False Positive Rate')
plt.ylabel('True Positive Rate')
plt.title('ROC Curve')
plt.show()

3.2 AUC值的实际意义

AUC（曲线下面积）量化了ROC曲线的表现：

0.5：随机猜测
0.7-0.8：有一定区分能力
0.8-0.9：效果很好
0.9：非常优秀

from sklearn.metrics import roc_auc_score
print(roc_auc_score(y_true, y_scores))

4. 完整项目实战

4.1 数据准备与模型训练

我们使用经典的乳腺癌数据集演示完整流程：

from sklearn.datasets import load_breast_cancer
from sklearn.model_selection import train_test_split
from sklearn.ensemble import RandomForestClassifier

data = load_breast_cancer()
X_train, X_test, y_train, y_test = train_test_split(
    data.data, data.target, test_size=0.3, random_state=42)

model = RandomForestClassifier()
model.fit(X_train, y_train)

4.2 综合评估实现

import matplotlib.pyplot as plt
from sklearn.metrics import (f1_score, roc_curve, 
                            roc_auc_score, classification_report)

# 预测结果
y_pred = model.predict(X_test)
y_proba = model.predict_proba(X_test)[:, 1]  # 正例概率

# F1-Score计算
print(f"F1-Score: {f1_score(y_test, y_pred):.4f}")

# 完整分类报告
print(classification_report(y_test, y_pred))

# ROC曲线绘制
fpr, tpr, _ = roc_curve(y_test, y_proba)
plt.plot(fpr, tpr, label=f"AUC = {roc_auc_score(y_test, y_proba):.2f}")
plt.plot([0, 1], [0, 1], linestyle='--')
plt.legend()
plt.show()