ROC曲线,AUC
来源:互联网 发布:周思成网络课程百度云 编辑:程序博客网 时间:2024/05/17 19:18
@ds17
ROC概念
Reciever operating characteristic curve
- True positive:一个实例是正类并且也被 预测成正类,即为真正类,TP
- False positive:如果实例是负类被预测成正类,称之为假正类,FP
- True negative,TN
- Fasle negative,FN
TPR, True positive rate, sensitivity
真正类率,命中率
FPR, False positive rate
假正类率,假警报率
TNR, True Negative Rate,specificity
真负类率
ACC,Accuracy
准确率
对于一个Binary Logistic Regression Classifier,计算结果为一个概率。设置不同的Threshold,可以得到不同的分类结果,进而算出不同的TPR/FPR。遍历“所有的Threshold”以TFR为横轴,TPR为纵轴,绘出ROC曲线。
Threshold=0,对应点(1,1);
Threshold=1,对应点(0,0);
理想目标:TPR=1,FPR=0,即图中(0,1)点,故ROC曲线越靠拢(0,1)点,越偏离45度对角线越好,Sensitivity、Specificity越大效果越好。
ROC意义
当测试集中的正负样本的分布变换的时候,ROC曲线能够保持不变。
在实际的数据集中经常会出现样本类不平衡,即正负样本比例差距较大,而且测试数据中的正负样本也可能随着时间变化。
下图是ROC曲线和Presision-Recall曲线的对比:
(a)和(c)为Roc曲线,(b)和(d)为Precision-Recall曲线。
(a)和(b)展示的是分类其在原始测试集(正负样本分布平衡)的结果,(c)(d)是将测试集中负样本的数量增加到原来的10倍后,分类器的结果。
可以明显的看出,ROC曲线基本保持原貌,而Precision-Recall曲线变化较大。
AUC
AUC不大于1;
一般ROC曲线都处于
AUC越大,当前分类器越有可能将正样本排在负样本前面,分类效果更好。
Reference
- python sklearn画ROC曲线
- ROC和AUC介绍以及如何计算AUC
- ROC曲线,AUC,
- ROC曲线与AUC
- ROC曲线与AUC
- ROC曲线和AUC
- ROC曲线与AUC
- ROC与AUC曲线
- ROC曲线,AUC
- ROC曲线与AUC计算
- ROC曲线与AUC计算
- ROC曲线及AUC计算
- ROC曲线与AUC值
- ROC曲线与AUC值
- ROC曲线/AUC值/PR曲线
- 广告计算中的AUC和ROC曲线
- ROC曲线及AUC评价指标
- ROC曲线及AUC评价指标
- ROC曲线及AUC评价指标
- ROC曲线及AUC评价指标
- Java消息中间件学习笔记二 -- JMS规范
- 设计模式六大原则(4):接口隔离原则
- 工程师也该学习机器学习了!
- tf.contrib.layers.embed_sequence
- 58-类模版的概念与意义
- ROC曲线,AUC
- 抽奖转盘
- 算法总结JS版(五)—— 快速排序(Quick Sort)
- Ubuntu 64bit下手动安装深度学习包Caffe记录(CPU)
- 经验总结-RecyclerView和SwipeRefreshLayout结合实现上拉和下拉刷新
- ServletContext和ServletConfig有什么区别
- JavaScript-原型、原型链
- 字符计算 矩阵转置 1-1/2+1/3-1/4+......+1/99-1/100
- Python的marshal模块简介