ROC curve（Receiver operating characteristic）&& EER（Equal Error Rate）

最新推荐文章于 2025-03-19 12:07:23 发布
最新推荐文章于 2025-03-19 12:07:23 发布
阅读量1.2k 收藏 2
点赞数 1
CC 4.0 BY-SA版权
分类专栏： Re-ID
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.youkuaiyun.com/baidu_39622935/article/details/84973690
本文深入解析了ROC曲线的概念，及其在二分类问题中的应用。通过调整分类阈值，可以绘制出ROC曲线，用于评估分类器的性能。EER（等错误率）作为ROC曲线与y=1-x直线的交点，是衡量分类器性能的一个关键指标。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

ROC（Receiver operating characteristic）曲线是True positive rate – False positive rate曲线：

 

对于一个二分类（是/否）分类器而言，根据对测试集的分类结果得到一个（x,y）点，调整threshold阈值大小，再进行实验，就能得到新的(x,y)点。连续地调整阈值，就可以作出ROC曲线。这里的阈值是指分类器判定是或否的依据，比如两个向量的距离大于th则认为不同类，小于th则认为同类，th即为这个阈值。

显然，当th无穷大时，即全部判断是同类，那么会得到（1,1）点。当th无穷小时，即全部判断不是同类，那么会得到（0,0）点。所以，th逐渐变大，样本点会从（0,0）逐渐移动到（1,1）点。

对于随机预测（随机输出是/否），样本点会从（0,0）线性移动到（1,1）点，即样本点一直在（0,0）到（1,1）的直线上。

对于一个分类器，越靠近（0,1）点越好，说明没有负例错判成正例，同时没有正例错判成负例。同理，越靠近（1,0）点越差，说明所有负例都错判成正例，同时所有正例都错判成负例。在（0,0）-（1,1）线左上方说明该分类器优于随机猜测，右下方说明该分类器比不上随机猜测。

EER(equal error rate)是等错误率，即是true positive rate = true negative rate

所以true positive rate = true negative rate = 1 – false positive rate即ROC曲线和y=1-x即x+y=1曲线的交点的纵坐标值即为EER。考虑到th总小到大增大过程中，ROC曲线从（0,0）点到（1,1）点，所以一般情况下EER是唯一的。

下图是一个例子，括号中的数是EER：

人脸识别ROC曲线绘制1--生成人脸feature文本
kupePoem的专栏
05-07 754
目录 一、ROC曲线 二、Feature文本生成 三、脚本调用 一、ROC曲线 ROC曲线（Receiver Operator characteristic Curve）是一种已经被广泛接受的系统匹配算法测试指标，它是匹配分数阈值、误识率以及拒识率之间的一种关系。 它反映了识别算法在不同阈值上，拒识率和误识率的平衡关系。 下图给出了ROC曲线，其中横坐标是拒识率，纵坐标是误识率，等错误率（EER Equal-Error Rate）是拒识率和误识率的一个平衡点，等错误率能够取到的值越低，表.
人脸识别ROC曲线绘制2--使用feature文本绘制曲线
kupePoem的专栏
05-13 635
目录 一、ROC曲线 二、fpr和tpr文本生成 三、绘图 一、ROC曲线 ROC曲线（Receiver Operator characteristic Curve）是一种已经被广泛接受的系统匹配算法测试指标，它是匹配分数阈值、误识率以及拒识率之间的一种关系。 它反映了识别算法在不同阈值上，拒识率和误识率的平衡关系。 下图给出了ROC曲线，其中横坐标是拒识率，纵坐标是误识率，等错误率（EER Equal-Error Rate）是拒识率和误识率的一个平衡点，等错误率能够取到的值越低，...
机器学习 模型评估方法（分类问题）
YUN_L_I的博客
09-16 1006
1、错误率和精度 错误率： 精度： 2、查准率、查全率 例如在信息检索任务中： （1）检索出的信息中有多少比例是用户感兴趣的 ==> 查准率 precision （2）用户感兴趣的信息中有多少被检索出来 ==> 查全率 recall 按真实类别与预测类别分为： 真正例（True Precision）TP 假正例（False Precisi...
ROC 曲线讲解 （Receiver Operarating Curve）
以梦为马，不日抵达。
01-15 4616
概念 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，在同一模型中设置最佳阈值。by Wikipedia ROC曲线的画法如下图所示，每个点表示不同阈值下 TP（横坐标) FP（纵坐标）的值， TP，FP的定义如下 　 　 实际值 　 　 ture 真的 false 假的 预测值 ture 真的 TP (true positive)
ROC 曲线 (Receiver Operating Characteristic Curve)
大连赵哥的博客
07-27 438
ROC 曲线 (Receiver Operating Characteristic Curve)
ROC曲线(Receiver Operating Characteristic Curve)
guifeng93的博客
07-08 6140
原文：http://blog.sina.com.cn/s/blog_531bb7630100v4ny.html （一） 分类模型尝试将各个实例（instance）划归到某个特定的类，而分类模型的结果一般是实数值，如逻辑回归，其结果是从0到1的实数值。这里就涉及到如何确定阈值（threshold value）,使得模型结果大于这个值，划为一类，小于这个值，划归为另一类。 考虑一个二分
ROC曲线：接收者操作特征曲线
eight_Jessen的博客
08-13 4607
接收者操作特征曲线（receiver operating characteristic curve，或者叫ROC曲线） 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 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。 二元分类模型的个案预测有四种： 这四种结局可以画成2 × 2的混淆矩阵： 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。 (TPR=TP/(TP+
深入理解ROC曲线和EER及其之间的关系
lcdxshengpeng的博客
04-02 7223
1.ROC曲线 我们知道，在很多学习器中是通过将既定的阈值与学习器对测试样本预测值（实值/概率）进行比较。如果大于阈值则将其判为正类样本，小于阈值将其判为负类样本。这个实值或者概率预测结果的好坏，直接决定了学习器的泛化能力。 我们可以根据学习器的预测结果对测试样本进行排序，将最有可能的正例排在前边，最不可能的排在后面。这样我们可以在这个序列中放置一个截断点来将样本分为两类，前面一部分判为正例，...
ROCcurve.zip_ROC 信号检测_ROC曲线_roc curves_roccurve_检测ROC
07-13
ROC曲线，全称为Receiver Operating Characteristic曲线，是信号检测理论中的一个重要工具，广泛应用于医学诊断、机器学习、图像处理等领域。ROC曲线通过绘制真正例率(True Positive Rate, TPR)与假正例率(False ...
手掌识别系统实现及EER评估与KNN分类方法
它指的是在ROC（Receiver Operating Characteristic）曲线上，将 FAR（False Acceptance Rate，假阳性率）和 FRR（False Rejection Rate，假阴性率）设定为相等时的误报和漏报的平均值。EER越低，说明系统的性能越好...
ROC曲线等错误率计算
05-11
图像处理中常用的，计算等错误率，绘制ROC曲线，详情参见：http://blog.youkuaiyun.com/yanzi1225627/article/details/8915032
ROC(receiver operating characteristic curve)曲线绘制
08-21
ROC曲线是评价分类效果良好的常用图表，图标的纵轴为真阳性率，横轴为假阳性率，曲线越靠近左上角，分类器模型表现越好
[Machine Learning]---ROC(Receiver Operating Characteristic) Curve
beijingbuaaer的博客
09-16 583
[Machine Learning]---ROC(Receiver Operating Characteristic) Curve
【漫话机器学习系列】149.ROC 曲线（Receiver Operating Characteristic Curve）
IT古董
03-19 1505
在机器学习和统计学中，评估二元分类器（Binary Classifier）性能的关键工具之一就是 ROC 曲线（Receiver Operating Characteristic Curve），即受试者工作特征曲线。ROC 曲线直观地展示了分类器在不同阈值下的 真阳率（True Positive Rate, TPR） 和 假阳率（False Positive Rate, FPR） 之间的权衡情况。本文将详细介绍 ROC 曲线的定义、计算方法、解读方式及其在机器学习中的实际应用。
1万字说清楚Receiver Operating curve(ROC) 受试者操作特征曲线
fulk6667g78o8的专栏
07-25 3568
我是Toby，最近正在原创????「python风控模型_评分卡」系列话题，欢迎订阅。最后给大家分享100G免费资料领取，包括python入门，数据分析，包括数据分析、统计学、数据挖掘、机器学习等知识。在公众号「python风控模型」里回复关键字：学习资料，就可免费领取。概述AUC(area under the curve)是机器学习领域中一种常见且重要的模型评估指标，用于计算二元分类器效率的方法。AUC表示ROC(receiver operator characteristic)曲线下的面积，即AUC&n
Receiver Operating Characteristic(ROC) Curve and Area Under Curve(AUC)
joeland209的博客
03-14 6002
AUC是一个用于评估分类好坏的方法，其与ROC是相关联的(就是代表ROC曲线下面的面积，如下图所示的阴影部分)。分类的效果越好，ROC曲线越靠上，AUC的值越大。AUC值一般是在0.5到1之间浮动，如果AUC小于0.5，代表模型的精准度甚至不如瞎猜(瞎猜是0.5)，同理，如果AUC等于1，则表明分类精度达到100%。     假设AUC的值是0.8，我们可以解读为：随机选择一个数据，有80%的机
ROC曲线(Receiver Operating Characteristic Curve) 的解释
pandav5的专栏
09-13 3389
再说明这个概念之前，我们先举一个例子。 考虑一个二分问题，即将实例分成正类（positive）或负类（negative）。对一个二分问题来说，会出现四种情况。 1、如果实例是正类被预测成正类，称之为真正类（True positive）。TP 2、如果实例是负类被预测成正类，称之为假正类（False positive）。FP 3、如果实例是负类被预测成负类，称之为真负类（True negat
受试者工作特征曲线（Receiver Operating Characteristic curve，ROC）
weixin_43156294的博客
05-28 7056
ROC分析，全称为“受试者工作特征”曲线（Receiver Operating Characteristic curve），起源于二战时期，由电子工程师和雷达工程师用于侦测战场上的敌军载具，如今在机器学习和医学诊断等领域有着广泛的应用。ROC曲线的主要功能是展示分类模型在各种阈值设置下的效能。具体来说，ROC曲线通过图形化的方式展示了模型的真正率（TPR）与假正率（FPR）之间的关系。
ROC:Receiver operating characteristic Curve接受者操作特征的理解
热衷开源的Boy
01-28 684
概念 ROC是表示区分二分类真实情况的能力曲线图 最初该方法是为军事雷达人员设计的,这也是该名字的来源 符号意义 P(positive):代表在真实数据集中的正类 N(negative):代表在真实数据集中的负类 true positive (TP):正确命中 true negative (TN):正确拒绝 false positive (FP):错误警告,也称一型错误. false negative (FN):本身是正类,但被错误判断为负类,丢失正类,也称二型错误 Null positive
ROC（Receiver Operating Characteristic）和AUC
最新发布
04-01
### ROC 曲线与 AUC 的概念及应用 #### 什么是ROC曲线？ ROC曲线，即受试者工作特征曲线（Receiver Operating Characteristic curve），是一种用于评估分类模型性能的统计工具[^1]。它最初被开发于第二次世界大战期间，由电子工程师和雷达工程师用来检测战场上的敌方车辆。如今，该方法已扩展到多个领域，包括机器学习、医学诊断等。 ROC曲线的核心在于展示分类模型在不同阈值下的表现能力。具体而言，它是通过图形化方式描绘出模型的真正率（True Positive Rate, TPR）与假正率（False Positive Rate, FPR）之间的权衡关系。其中： - **真阳性率 (TPR)** 表示实际为正类的情况下预测也为正的概率。 - **假阳性率 (FPR)** 则表示实际为负类却被错误地预测为正的概率。 #### 如何解读ROC曲线？ 一条理想的ROC曲线会尽可能靠近左上角，这意味着模型能够以较高的真正率识别正样本的同时保持较低的假正率。如果曲线接近对角线，则表明模型的表现几乎相当于随机猜测；而越远离对角线则说明模型具有更好的区分能力。 #### AUC的意义是什么？ AUC代表的是ROC曲线下面积（Area Under the Curve），其取值范围通常介于0至1之间[^2]。作为衡量二元分类器质量的一个重要标准，较大的AUC值意味着更强的整体辨别力——即使是在调整决策边界之后仍能维持良好效果的能力。一般来说： - 当`AUC=1`时表示完美分离； - 若`AUC≈0.5`可能暗示着近乎无用或者完全失败的结果； - 而对于大多数实用场景下我们期望看到高于此水平但低于完美的数值区间内的结果。 以下是计算并绘制简单例子中的Python实现代码片段: ```python from sklearn.metrics import roc_curve, auc import matplotlib.pyplot as plt import numpy as np # 假设y_true是我们的真实标签,y_scores是对应的分数(概率估计或其他形式) fpr,tpr,_ =roc_curve(y_true , y_scores ) areaUnderCurve=auc(fpr,tpr) plt.figure() lw = 2 plt.plot(fpr, tpr, color='darkorange', lw=lw, label=f'ROC curve (area = {areaUnderCurve:.2f})') plt.plot([0, 1], [0, 1], color='navy', lw=lw, linestyle='--') # 对角线 plt.xlim([-0.05, 1.0]) plt.ylim([0.0, 1.05]) plt.xlabel('False Positive Rate') plt.ylabel('True Positive Rate') plt.title('Receiver operating characteristic example') plt.legend(loc="lower right") plt.show() ``` 上述脚本利用Scikit-Learn库函数来获取必要的数据点，并借助Matplotlib完成可视化操作。 ---
评论 1
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