每天五分钟机器学习：如何绘制ROC曲线？

本文重点

ROC 曲线，全称为受试者工作特征曲线（Receiver Operating Characteristic Curve），最早起源于二战时期的雷达信号检测领域。后来，它被广泛应用于医学、通信、心理学等领域，如今在机器学习中更是成为了评估分类模型性能的重要指标之一。

ROC  曲线的定义与基本原理

ROC 曲线，即平均操作特性曲线，是一种通过对不同决策阈值下的真阳性率（True Positive Rate，TPR）和假阳性率（False Positive Rate，FPR）进行绘制而得到的曲线。它反映了一个分类器或检测系统在不同阈值下的性能表现。

真阳性率（TPR）也被称为灵敏度或召回率，是指被正确分类为阳性的样本数占实际阳性样本总数的比例。假阳性率（FPR）则是指被错误分类为阳性的样本数占实际阴性样本总数的比例。通过改变决策阈值，可以得到不同的 TPR 和 FPR 值，从而绘制出 ROC 曲线。、

如何绘制ROC曲线？

绘制方式一

如何才能绘制ROC曲线呢？使用阶段点的方式来完成。在二分类问题中，我们常常认为