ROC曲线

本文介绍了ROC曲线的基本概念,包括其纵坐标TPR(真正例率)和横坐标FPR(假正例率)的具体含义,以及如何通过这些指标来评估分类模型的性能。此外,还探讨了ROC曲线在参数选择和模型选择中的应用。

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

一、概述

纵坐标为TPR(True Positive Rate),横坐标为FPR(False Positive Rate)。TPR反映的分类为“正”的样本在所有"正"样本中所占的比例,FPR反映的是被错误分类为"正"的样本在所有"负"样本中的所占的比例。TPR越大,FPR越小,越好。

二、用途

2.1 参数选择

计算不同参数对应的TPR和FPR,然后以FPR为主排序,并做折线图,越靠近左上角的参数越好。

2.1 模型选择

逐个计算各个模型在所有测试集上的TPR和FPR,然后做出与各模型对应的ROC曲线,AUC越大,模型越好。

评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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