ROC与AUC

最新推荐文章于 2024-03-22 08:00:36 发布

原创

最新推荐文章于 2024-03-22 08:00:36 发布 · 908 阅读

2 ·

CC 4.0 BY-SA版权

本文详细介绍了ROC曲线和AUC的概念，包括ROC曲线的绘制原理，AUC的计算方式，以及ROC曲线相较于其他评价指标的优势。通过实例阐述了AUC值与模型性能的关系，表明AUC值越大，模型分类效果越好。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

1、ROC、AUC概念介绍

2、ROC曲线绘制原理

3、ROC的曲线面积AUC

4、ROC曲线优点

1、ROC、AUC概念介绍

ROC的全名叫做Receiver Operating Characteristic，其主要分析工具是一个画在二维平面上的曲线——ROC curve。平面的横坐标是false positive rate(FPR)，纵坐标是true positive rate(TPR)。对某个分类器而言，我们可以根据其在测试样本上的表现得到一个TPR和FPR点对。这样，此分类器就可以映射成ROC平面上的一个点。调整这个分类器分类时候使用的阈值，我们就可以得到一个经过(0, 0)，(1, 1)的曲线，这就是此分类器的ROC曲线。一般情况下，这个曲线都应该处于(0, 0)和(1, 1)连线的上方。因为(0, 0)和(1, 1)连线形成的ROC曲线实际上代表的是一个随机分类器。

虽然，用ROC curve来表示分类器的performance很直观好用。可是，人们总是希望能有一个数值来标志分类器的好坏。于是Area Under roc Curve(AUC)就出现了。顾名思义，AUC的值就是处于ROC curve下方的那部分面积的大小。通常，AUC的值介于0.5到1.0之间，较大的AUC代表了较好的performance。