ROC曲线详解及matlab绘图实例

Matlab绘制ROC曲线并计算AUC面积 ROC曲线是根据在二分类时,设定不同的分类阈值得到的真阳性率(TPR)和伪阳性率(FPR)得到的。 如图括号格式为(预测的标签,实际的标签)。 (sensitivity) TPR=TP/(TP+FN)= (1,1)/((1,1)+(0,1)) (1-specificity) FPR=FP/(FP+FN)= (1,0)/((1,0)+(0,0)) F1 = 2TP/(2TP+FP+FN)... 阅读详情

 

有关ROC曲线的内容转自wiki:https://zh.wikipedia.org/wiki/ROC%E6%9B%B2%E7%BA%BF,版权归原作所有

在信号检测理论中,接收者操作特征曲线(receiver operating characteristic curve,或者叫ROC曲线)是一种坐标图式的分析工具,用于 (1) 选择最佳的信号侦测模型、舍弃次佳的模型。 (2) 在同一模型中设定最佳阈值。

在做决策时,ROC分析能不受成本/效益的影响,给出客观中立的建议。

ROC曲线首先是由二战中的电子工程师和雷达工程师发明的,用来侦测战场上的敌军载具(飞机、船舰),也就是信号检测理论。之后很快就被引入了心理学来进行信号的知觉检测。数十年来,ROC分析被用于医学、无线电、生物学、犯罪心理学领域中,而且最近在机器学习(machine learning)和数据挖掘(data mining)领域也得到了很好的发展。

分类模型(又称分类器,或诊断)是将一个实例映射到一个特定类的过程。ROC分析的是二元分类模型,也就是输出结果只有两种类别的模型,例如:(阳性/阴性)(有病/没病)(垃圾邮件/非垃圾邮件)(敌军/非敌军)。

当讯号侦测(或变数测量)的结果是一个连续值时,类与类的边界必须用一个阈值(英语:threshold)来界定。举例来说,用血压值来检测一个人是否有高血压,测出的血压值是连续的实数(从0~200都有可能),以收缩压140/舒张压90为阈值,阈值以上便诊断为有高血压,阈值未满者诊断为无高血压。二元分类模型的个案预测有四种结局:

  1. 真阳性(TP):诊断为有,实际上也有高血压。
  2. 伪阳性(FP):诊断为有,实际却没有高血压。
  3. 真阴性(TN):诊断为没有,实际上也没有高血压。
  4. 伪阴性(FN):诊断为没有,实际却有高血压。

这四种结局可以画成2 × 2的Confusion matrix:

 真实值总
数
pn
预
测
输
出
p'真阳性
(TP)
伪阳性
(FP)
P'
n'伪阴性
(FN)
真阴性
(TN)
N'
总数PN 

ROC空间

ROC空间将伪阳性率(FPR)定义为 X 轴,真阳性率(TPR)定义为 Y 轴。

  • TPR:在所有实际为阳性的样本中,被正确地判断为阳性之比率。

{\displaystyle TPR=TP/(TP+FN)}{\displaystyle TPR=TP/(TP+FN)}

  • FPR:在所有实际为阴性的样本中,被错误地判断为阳性之比率。

{\displaystyle FPR=FP/(FP+TN)}{\displaystyle FPR=FP/(FP+TN)}

给定一个二元分类模型和它的阈值,就能从所有样本的(阳性/阴性)真实值和预测值计算出一个 (X=FPR, Y=TPR) 座标点。

从 (0, 0) 到 (1,1) 的对角线将ROC空间划分为左上/右下两个区域,在这条线的以上的点代表了一个好的分类结果(胜过随机分类),而在这条线以下的点代表了差的分类结果(劣于随机分类)。

完美的预测是一个在左上角的点,在ROC空间座标 (0,1)点,X=0 代表着没有伪阳性,Y=1 代表着没有伪阴性(所有的阳性都是真阳性);也就是说,不管分类器输出结果是阳性或阴性,都是100%正确。一个随机的预测会得到位于从 (0, 0) 到 (1, 1) 对角线(也叫无识别率线)上的一个点;最直观的随机预测的例子就是抛硬币。

让我们来看在实际有100个阳性和100个阴性的案例时,四种预测方法(可能是四种分类器,或是同一分类器的四种阈值设定)的结果差异:

ABCC'
TP=63FP=2891
FN=37TN=72109
100100200
TP=77FP=77154
FN=23TN=2346
100100200
TP=24FP=88112
FN=76TN=1288
100100200
TP=76FP=1288
FN=24TN=88112
100100200
TPR = 0.63TPR = 0.77TPR = 0.24TPR = 0.76
FPR = 0.28FPR = 0.77FPR = 0.88FPR = 0.12
ACC = 0.68ACC = 0.50ACC = 0.18ACC = 0.82

ROC空间的4个例子

将这4种结果画在ROC空间里:

  • 点与随机猜测线的距离,是预测力的指标:离左上角越近的点预测(诊断)准确率越高。离右下角越近的点,预测越不准。
  • 在A、B、C三者当中,最好的结果是A方法。
  • B方法的结果位于随机猜测线(对角线)上,在例子中我们可以看到B的准确度(ACC,定义见前面表格)是50%。
  • C虽然预测准确度最差,甚至劣于随机分类,也就是低于0.5(低于对角线)。然而,当将C以 (0.5, 0.5) 为中点作一个镜像后,C'的结果甚至要比A还要好。这个作镜像的方法,简单说,不管C(或任何ROC点低于对角线的情况)预测了什么,就做相反的结论。

ROC曲线

随着阈值调整,ROC座标系里的点如何移动

上述ROC空间里的单点,是给定分类模型且给定阈值后得出的。但同一个二元分类模型的阈值可能设定为高或低,每种阈值的设定会得出不同的FPR和TPR。

  • 将同一模型每个阈值 的 (FPR, TPR) 座标都画在ROC空间里,就成为特定模型的ROC曲线。

例如右图,人体的血液蛋白浓度是呈正态分布的连续变数,病人的分布是红色,平均值为A g/dL,健康人的分布是蓝色,平均值是C g/dL。健康检查会测量血液样本中的某种蛋白质浓度,达到某个值(阈值,threshold)以上诊断为有疾病征兆。研究者可以调整阈值的高低(将左上图的垂直线往左或右移动),便会得出不同的伪阳性率与真阳性率,总之即得出不同的预测准确率。

1. 由于每个不同的分类器(诊断工具、侦测工具)有各自的测量标准和测量值的单位(标示为:“健康人-病人分布图”的横轴),所以不同分类器的“健康人-病人分布图”都长得不一样。

2. 比较不同分类器时,ROC曲线的实际形状,便视两个实际分布的重叠范围而定,没有规律可循。

3. 但在同一个分类器之内,阈值的不同设定对ROC曲线的影响,仍有一些规律可循:

  • 当阈值设定为最高时,亦即所有样本都被预测为阴性,没有样本被预测为阳性,此时在伪阳性率 FPR = FP / ( FP + TN ) 算式中的 FP = 0,所以 FPR = 0%。同时在真阳性率(TPR)算式中, TPR = TP / ( TP + FN ) 算式中的 TP = 0,所以 TPR = 0%

→ 当阈值设定为最高时,必得出ROC座标系左下角的点 (0, 0)。

  • 当阈值设定为最低时,亦即所有样本都被预测为阳性,没有样本被预测为阴性,此时在伪阳性率FPR = FP / ( FP + TN ) 算式中的 TN = 0,所以 FPR = 100%。同时在真阳性率 TPR = TP / ( TP + FN ) 算式中的 FN = 0,所以 TPR=100%

→ 当阈值设定为最低时,必得出ROC座标系右上角的点 (1, 1)。

  • 因为TP、FP、TN、FN都是累积次数,TN和FN随着阈值调低而减少(或持平),TP和FP随着阈值调低而增加(或持平),所以FPR和TPR皆必随着阈值调低而增加(或持平)。

→ 随着阈值调低,ROC点 往右上(或右/或上)移动,或不动;但绝不会往左/下/左下移动。

曲线下面积(AUC)

例示三种AUC值(曲线下面积)

在比较不同的分类模型时,可以将每个模型的ROC曲线都画出来,比较曲线下面积做为模型优劣的指标。

意义[编辑]

ROC曲线下方的面积(英语:Area under the Curve of ROC (AUC ROC)),其意义是:

  • 因为是在1x1的方格里求面积,AUC必在0~1之间。
  • 假设阈值以上是阳性,以下是阴性;
  • 若随机抽取一个阳性样本和一个阴性样本,分类器正确判断阳性样本的值高于阴性样本之概率 {\displaystyle =AUC}{\displaystyle =AUC}[1]。
  • 简单说:AUC值越大的分类器,正确率越高。

从AUC判断分类器(预测模型)优劣的标准:

  • AUC = 1,是完美分类器,采用这个预测模型时,存在至少一个阈值能得出完美预测。绝大多数预测的场合,不存在完美分类器。
  • 0.5 < AUC < 1,优于随机猜测。这个分类器(模型)妥善设定阈值的话,能有预测价值。
  • AUC = 0.5,跟随机猜测一样(例:丢铜板),模型没有预测价值。
  • AUC < 0.5,比随机猜测还差;但只要总是反预测而行,就优于随机猜测。

 

下面内容转载自:http://blog.youkuaiyun.com/xmu_jupiter/article/details/21885299,版权归原作所有。

编程题目

        接收操作特征(Receiver Operating Characteristic,ROC)曲线,即通常所讲的ROC Curve,是机器学习领域中常用的分类性能评估曲线,横轴是False Positive Rate,纵轴是True Positive Rate。请用Matlab编写一个自动画出ROC曲线的函数,并给出测试例子。

[1]原理分析

    对于经典的二分类(0、1)问题来说,分类器分类之后,往往会得到对每个样本是哪一类的一个估计predict,像是LR模型就会将这个估计规范化到【0、1】。根据这个估计,你选择一个阈值p_i,就可以将分类结果映射到0、1了;分类效果好不好跟真实的对应的ground_truth中的标签比比就行了。所以你手里有predict和ground_truth两个向量,用来做分类结果的评估,这两个向量便是函数的两个输入参数。

        为了更好的衡量ROC所表达结果的好坏,Area Under Curve(AUC)被提了出来,简单来说就是曲线右下角部分占正方形格子的面积比例。那么计算这个东西其实就很简单了,在这里我用到了matlab中自带的一个函数trapz,它可以计算出这个面积。通常来说,曲线越靠近图像的左上角,也就是曲线的下方面积越大,表示模型的性能越好。

[2]程序代码

        其实画ROC曲线函数的代码编写方法不止一种。老师注释里提供的方法是一种很简洁高效的方法。只需要不断遍历排序后的predict向量,引入x_step和y_step,循环判断排序后predict[i]对应的ground_truth[i]的值,然后让x轴或者y轴减小x_step或y_step。这样,便不必每次去统计TP和FP的值然后再计算每个点的坐标了。最后代码如下:

[plain] view plain copy 

  1. function  auc = plot_roc( predict, ground_truth )  
  2. % INPUTS  
  3. %  predict       - 分类器对测试集的分类结果  
  4. %  ground_truth - 测试集的正确标签,这里只考虑二分类,即0和1  
  5. % OUTPUTS  
  6. %  auc            - 返回ROC曲线的曲线下的面积  
  7.   
  8. %初始点为(1.0, 1.0)  
  9. x = 1.0;  
  10. y = 1.0;  
  11. %计算出ground_truth中正样本的数目pos_num和负样本的数目neg_num  
  12. pos_num = sum(ground_truth==1);  
  13. neg_num = sum(ground_truth==0);  
  14. %根据该数目可以计算出沿x轴或者y轴的步长  
  15. x_step = 1.0/neg_num;  
  16. y_step = 1.0/pos_num;  
  17. %首先对predict中的分类器输出值按照从小到大排列  
  18. [predict,index] = sort(predict);  
  19. ground_truth = ground_truth(index);  
  20. %对predict中的每个样本分别判断他们是FP或者是TP  
  21. %遍历ground_truth的元素,  
  22. %若ground_truth[i]=1,则TP减少了1,往y轴方向下降y_step  
  23. %若ground_truth[i]=0,则FP减少了1,往x轴方向下降x_step  
  24. for i=1:length(ground_truth)  
  25.     if ground_truth(i) == 1  
  26.         y = y - y_step;  
  27.     else  
  28.         x = x - x_step;  
  29.     end  
  30.     X(i)=x;  
  31.     Y(i)=y;  
  32. end  
  33. %画出图像       
  34. plot(X,Y,'-ro','LineWidth',2,'MarkerSize',3);  
  35. xlabel('虚报概率');  
  36. ylabel('击中概率');  
  37. title('ROC曲线图');  
  38. %计算小矩形的面积,返回auc  
  39. auc = -trapz(X,Y);            
  40. end  

由于缺少具体测试数据,在这里我们简单用【0,1】之间的101个点作为predict向量值,用101维随机0-1值向量作为ground_truth。测试代码如下:

  1. clear all;  
  2. predict=(0:1/100:1);            %生成间隔为0.01的预测阈值  
  3. ground_truth=randi([0,1],1,101);%生成0-1随机向量  
  4. result=plot_roc(predict,ground_truth);  
  5. disp(result);  

[3]实验效果

由最后的ROC曲线图效果如下。

使用MATLAB绘制ROC曲线:详解及实践 ROC曲线,全称接收者操作特征曲线,是一种图形化表示分类模型在不同阈值下性能的工具。横轴表示假阳性率(False Positive Rate, FPR),纵轴表示真阳性率(True Positive Rate, TPR)。通过绘制ROC曲线,我们可以观察模型在不同阈值下的表现,从而选择最合适的阈值。本文详细介绍了如何使用MATLAB绘制ROC曲线,从ROC曲线的基本概念、数据准备、绘制方法到实际应用,提供了完整的代码示例,并对每一步骤进行了详细的解析。 阅读详情

相关推荐

绘制ROC曲线图并计算AUC值:使用Python和Matlab的实用代码

ROC曲线显示了在不同分类阈值下,真正例率(True Positive Rate,TPR)与假正例率(False Positive Rate,FPR)之间的关系。在本文中,我们将介绍如何使用Python和Matlab绘制ROC曲线并计算曲线下面积(Area Under the Curve,AUC)的值。较高的AUC值通常表示分类器具有较好的性能,而AUC=0.5则表示分类器的性能与随机猜测相当。最后,使用Matplotlib库绘制了ROC曲线,并输出了AUC的值。函数绘制了ROC曲线,并输出了AUC的值。

bug_code702的博客 878

MATLAB绘制ROC曲线

MATLAB绘制ROC曲线

WW、forever的博客 6758

MATLAB中ROC曲线的开发与应用

本文还有配套的精品资源,点击获取 简介:ROC曲线是评估二分类模型性能的关键工具,广泛应用于医疗、图像识别等领域。MATLAB脚本 roc_curve.m 可用于绘制ROC曲线,通过TPR和FPR来展示模型性能。本文将介绍如何编写该脚本,包括数据准备、TPR和FPR的计算、ROC曲线的绘制、AUC的计算以及如何根据ROC曲线选择最优阈值和评估模型性能。同时,强...

weixin_28809949的博客 1674

接收机处理曲线ROC绘图工具:直观展示接收机性能的MATLAB解决方案

接收机处理曲线ROC绘图工具:直观展示接收机性能的MATLAB解决方案 去发现同类优质开源项目:https://gitcode.com/ 在现代信号处理领域,准确评估接收机的性能至关重要。今天,我们要推荐的这个开源项目——接收机处理曲线(ROC)绘图工具,正是为解决这一问题而诞生。以下是关于这个项目的详细介绍。 项目介绍 接收机处理曲线(ROC)绘图工具是一个MATLAB编写的资源文件,用于绘制R...

gitblog_06729的博客 641

通过matlab绘制数据的ROC曲线,并输出TN,FP,FN,TP混淆矩阵,含仿真操作录像

1.版本:matlab2021a,包含仿真操作录像,操作录像使用windows media player播放。 2.领域:ROC。 3.内容:通过matlab绘制数据的ROC曲线,并输出TN,FP,FN,TP混淆矩阵。 %使用特征和标签初始化分类器类 S2=简单分类器(meas,labels,'virginica'); %运行留一出交叉验证 S2=S2.class_LOOCV(“线性”); %显示LOOCV的混淆矩阵 S2.disp_conf(); %生成ROC曲线 S2=S2.roc_curve_perf_pos(); 4.注意事项:注意MATLAB左侧当前文件夹路径,必须是程序所在文件夹位置,具体可以参考视频录。

数字政府政务服务AI大模型赋能智能体平台及AI场景应用规划方案(决策评审版).pptx

数字政府政务服务AI大模型赋能智能体平台及AI场景应用规划方案(决策评审版).pptx

matlab实现ROC曲线

关键词:ROC,AUC,机器学习,matlab;

weixin_41930950的博客 1万+

OAI数据集申请与实战:从权限获取到医学影像分析应用

本文详细介绍了OAI数据集的申请流程与医学影像分析实战应用。从NDA账户注册、数据下载技巧到骨盆X光关键点检测的完整实现,帮助医学研究者高效利用这一权威骨关节炎数据集。特别分享使用Pei Y标注数据训练U-Net模型的经验,包括预处理、注意力机制优化等实用技巧。

weixin_30275415的博客 480

matlab绘制roc曲线,手把手画ROC曲线

假设现在有一个二分类问题,先引入两个概念:真正例率(TPR):正例中预测为正例的比例假正例率(FPR):反例中预测为正例的比例再假设样本数为6,现在有一个分类器1,它对样本的分类结果如下表(按预测值从大到小排序)标签预测值10.910.810.700.300.200.1ROC曲线的横轴为假正例率,纵轴为真正例率,范围都是[0,1],现在我们开始画图——根据从大到小遍历预测值,把当前的预测值当做阈值...

weixin_33246767的博客 5296

comsol-声学

COMSOL多物理场仿真软件以高效的计算性能和杰出的多场耦合分析能力实现了精确的数值仿真,已被广泛应用于各个领域的科学研究以及工程计算,为工程界和科学界解决了复杂的多物理场建模问题。COMSOL内嵌的声学模块可以方便地进行多孔声学和粘热声学的模拟仿真。软件数值计算得到的云图,可以将声压、速度、声强以及声能耗散等结果可视化,十分有利于学生对声学的学习和理解。将COMSOL仿真引入实验当中,通过软件的可视化处理有效直观的展示复杂物理场和集合模型仿真的流程,与实验数据结合,使得文章内容具有说服力、预见性和新颖性。

y2715163545的博客 2376

深入Linux网络子系统:STMMAC驱动如何通过MDIO总线与PHY芯片“对话”

本文深入解析了Linux网络子系统中STMMAC驱动通过MDIO总线与PHY芯片的通信机制。详细介绍了MDIO总线的注册流程、PHY设备的绑定机制以及设备树配置,帮助开发者理解MAC控制器与PHY芯片的协作基础,优化网络通信性能。

weixin_26897585的博客 450

MATLAB中绘制ROC曲线

我们通常使用ROC曲线来评价分类结果的好坏,在MATLAB中绘制该曲线其实也十分容易。我们让label表示真实的类别,output表示预测的类别,那么调用: [XRF,YRF,TRF,AUCRF] = perfcurve(label,output,1); 之后运行: plot(XRF,YRF) 即可得到ROC曲线,该函数中还有一个参数,也就是正类的标签(positive class label),该变量是一个常数,可以为数值,也可是是字符串等,需要指定一下。上面的例子中,我们输出的结果和标签都是0或1的

qq_36763031的博客 5429

[运动规划算法]基于飞行走廊的轨迹优化

文章目录简介一、介绍二、原理飞行走廊生成三、项目演示参考 简介 Btraj是一个在线的四旋翼无人机的运动规划框架,主要用于未知环境中的自主导航。基于机载状态估计和环境感知,采用基于快速行进(FM *)的路径搜索方法,从基于构建的欧氏距离场(ESDF)中寻找路径,以实现更好的时间分配。通过对环境进行膨胀生成四旋翼无人机的飞行飞行走廊。使用伯恩斯坦多项式将轨迹表示为分段Bezier曲线,并将整个轨迹生成问题转换成凸问题。通过使用Bezier曲线,可以确保轨迹的安全性和高阶动力学可行性,可以将轨迹完全限制在安全

xiewf的博客 8065

使用Maltlab中的plotroc()函数绘制ROC曲线

原文自http://blog.youkuaiyun.com/fuhpi/article/details/8813455   ROC曲线是通用的分类器评价工具,matlab函数中自带了绘制该曲线的函数plotroc。    plotroc函数的原型为:plotroc(targets, outputs)  其中参数targets是一个矩阵,代表测试集,每一列表示一个测试样本的标签  如果有两类样本,比

StefanSalvatore的博客 4447

微信小程序 - 详细实现打开跳转第三方 H5 网页链接,在微信小程序内直接跳转打开第三方网站链接详细教程(支持跳转公众号文章等,直接复制代码即可)

小程序跳转h5,小程序-Taro小程序中打开h5页面链接,...小程序跳转h5链接(web-view)_微信小程序,小程序如何跳转h5页面,小程序跳转到第三方H5网页,微信小程序跳转第三方H5的方法,小程序-实现怎么跳转打开H5网页链接(或跳转至公众号文章,打开第三方网站,放校验文件,怎么配置业务域名,校验文件验证域名,把校验文件放到对面网站,别人的服务器也打不开没权限怎么放呢,勾选不校验合法域名,txt,打不开别人的网页怎么办,真机调试打不开,无法跳转,有什么其他办法不放校验文件吗,后台配置,怎么

🏆 前端领域优质创作者 3万+

uniapp [全端兼容] - 实现省市区选择器三四级联动组件,uniapp选择地址自定义省市区三级联动插件,弹框式多级联动选择器区域选择(全平台兼容苹果安卓App、支付宝微信小程序、移动端H5网页)

uni-app省市区选择器,省市区街道三级四级联动选择器,uniapp自定义多列选择器省市两级联动,uniapp picker组件实现多级联动,h5移动端网页,微信小程序,支付宝小程序,Android安卓,苹果ios,app,nvue,uniApp选择器省市区县街道乡镇,uniapp实现省市区选择联动,uniapp城市三级联动(自定义组件)_uniapp三级联动,picker插件省市区联动,uniapp小程序省市区选择器,uni-app 省市区街道的四级联动选择,uniapp怎样实现省市区地址三级联动uni

🏆 前端领域优质创作者 1万+

Matlab机器学习(分类问题)中多个ROC曲线的绘制

该教程适用于2017版本以后的matlab,老版本可能会有差异。 step1打开机器学习分类工具箱,导入数据选择“全部模型”进行训练;训练结果如图所示: step2 寻找准确度较高的几个模型导出代码(点击右上角的生成函数) step3 导出函数后将你的训练集,即已知的数据赋给trainingData,即在inputTable = trainingData代码前赋值即可: trainingData=data1; % data1为已知的数据 inputTable = trainingDat..

xiaohuhahahaha的博客 5957

2小时用Trae搭建全功能CMS系统

在前文中,我们使用Trae从零搭建了一个用户文档站点,仅用不到2小时就实现了用户注册登录和文档的增删改查功能,且无需编写任何代码。本节我们将在此基础上,构建一个CMS后台管理系统,包含用户管理和文档管理两大功能模块。

2501_92019101的博客 541

matlab 绘制 ROC曲线

编程题目         接收操作特征(Receiver Operating Characteristic,ROC)曲线,即通常所讲的ROC Curve,是机器学习领域中常用的分类性能评估曲线,横轴是False Positive Rate,纵轴是True Positive Rate。请用Matlab编写一个自动画出ROC曲线的函数,并给出测试例子。 实验过程和解答 [1]原理

水野与小太郎的博客 1万+

华为od 面试八股文_C++_01_含答案

华为od 面试八股文_C++_01_含答案

MISAYAONE的博客 5603

jdk-8u144-linux-x64.tar.gz.

该资源为搭建Linux系统Java环境用,资源的后缀为tar.gz格式的压缩包

Matlab绘图——ROC曲线绘制(官方demo)

perfcurve Compute Receiver Operating Characteristic (ROC) curve or other performance curve for classifier output expand all in page Syntax [X,Y] = perfcurve(labels,scores,poscl

读书札记 1万+

Camera2Demo

在Camera2 的基础上进行封装,使得Camera2一堆初始化逻辑与Activity分离,降低耦合度,完成预览拍照并保存的操作

多分类的ROC曲线绘制思路

我们通常说的ROC曲线的中文全称叫做接收者操作特征曲线(receiver operating characteristic curve),也被称为感受性曲线。该曲线有两个维度,横轴为fpr(假正率),纵轴为tpr(真正率)这幅曲线的每个点都对应一个(fpr,tpr),看过之前混淆矩阵的话,感觉一堆数据好像最终只能算出一个fpr和tpr,那是如何获得这么多的点的呢?我们y会有一个预测为正类的概率。

知识搬运者 1万+

VB摄像头监控

该VB模块可对摄像头捕获的画面进行录像等,可在创建的窗口进行控制

精雕软件(JDpaint) 5.5 绿色版

精雕软件(JDpaint) 5.5 绿色版精雕软件(JDpaint) 5.5 绿色版精雕软件(JDpaint) 5.5 绿色版

ROC曲线实例分析

1 ROC分析相关 ROC(Receiver Operating Characteristic,受试者工作特征曲线)的概念来自信号检测原理中 最初只是为了区分噪声和非噪声 对于二分类问题具有很好的表现性能(仅仅是二分类问题,即是非,无有,0/1等) 通过以(FPR,TPR)为坐标点画出二维平面中的曲线,即ROC曲线 Recall = TPR = TP/(TP+FN) (True Posit

易名 2万+
上一篇: 偏度和峰度的计算
下一篇: weka使用教程3--对分类结果进行分析
It_BeeCoder
博客等级 码龄10年 967粉丝 238原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值