ROC曲线

最新推荐文章于 2025-06-20 22:11:15 发布
最新推荐文章于 2025-06-20 22:11:15 发布
阅读量6.7k 收藏 27
点赞数 11
CC 4.0 BY-SA版权
分类专栏： 其它 文章标签： ROC
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/imduan/article/details/50695770
本文通过比喻的方式解释了ROC曲线的概念及如何绘制。ROC曲线用于展示分类器的真正率和假正率之间的关系，好的分类器ROC曲线应接近左上角。文章还介绍了真正类率、假正类率和真负类率等概念。

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

ROC的概念不太容易理解，尝试用更加通俗的方式来解读这个问题和中间涉及到指标.

混淆矩阵.

混淆矩阵

  • 若一个实例是正类并且被预测为正类，即为真正类(True Postive TP)，比如诸葛亮, 人才，被识别重用.
  • 若一个实例是正类，但是被预测成为负类，即为假负类(False Negative FN), 漏报，比如韩非, 人才，没有被君主识别重用.
  • 若一个实例是负类，但是被预测成为正类，即为假正类(False Postive FP), 误报, 比如和绅, 奸臣，被当作忠臣重用.
  • 若一个实例是负类，但是被预测成为负类，即为真负类(True Negative TN), 强盗, 被正确识别，并被干掉

ROC曲线

ROC曲线(receiver operating characteristic curve，受试者工作特征曲线)是显示分类器真正率(TPR)和假正率(FPR)之间折中的一种图形化方法。
一个好的分类模型应该尽可能的靠近ROC曲线的左上角如果随机猜测的话，那么TPR和FPR会一直相等，最终曲线是主对角线。另外，我们也可以用曲线下的面积，来表示一个模型的平均表现。

那这时候如何衡量你这个君主的能力, 衡量分类器的好坏呢？

  • 真正类率(True Postive Rate)TPR: TP/(TP+FN)，Sensitivity, 君主对人才的辨识度. 诸葛亮/诸葛亮+韩非.
  • 负正类率(False Postive Rate)FPR: FP/(FP+TN) = 和绅/和绅+强盗, 代表君主对滥用奸臣的能力. 1- Specificity, 滥用小人的昏君
  • 真负类率(True Negative Rate)TNR: TN/(FP+TN) = 强盗/和绅+强盗
    代表君主对识别奸臣的能力. Specificity, 特异性, 能识别奸臣的明君.

最理想的目标是：上帝，TPR是1，FPR是0，识别出所有贤臣，杀掉所有奸臣.

如何绘制ROC曲线

ROC曲线

阈值就是环境的严酷程度，可以理解宽松程度.
在实际环境中，没有明确的非黑即白, 识别器针对识别对象只能计算一个系数. 然后君主根据这个系数来判断.

控制阈值的变化，我们就可以得到ROC曲线 , 整体上代表识别器的识别能力（君主的明辨忠奸的能力）.

上帝：不管环境如何变化, 如何宽松和严苛，都坚持原则；
明君：识别能力很强. 环境苛刻的时候，能识别大部分贤臣, 尽可能避免使用奸臣. 但是因为太严格，不能识别所有贤臣。同时因为识别能力, 也会有少量和绅之流被使用。在环境宽松，更多的和绅会被重用. 如上图的ROC曲线.
硬币君(完全随机): 对角线曲线.
昏君：识别能力很差，容易被迷惑. 环境苛刻的时候，始终重用和绅之流.如下图的曲线,环境宽松的时候, 忠臣的识别度才能提高.

昏君ROC曲线

ROC曲线怎么看，曲线上的每个部分都代表了什么？｜小白心理－312/347考研答疑
xiaobaixinli的博客
09-28 6099
ROC曲线怎么看，曲线上的每个部分都代表了什么？｜小白心理－312/347考验答疑 ROC曲线，即receiver operating characteristic curve，接受者操作特征曲线，也称“感受性曲线”。 ** 如上图3-15所示： ** 对于不同的ROC曲线，其曲率／曲度越大，即离偶然事件的45度对角线越远（对角线代表被试的辨别力为0），被试的辨别力d’越大，感受性越强。 决定ROC曲线的曲度的因素是：1.被试的感受性（感受性越强，曲度越高），2信号的强度（强度越强，曲度越高） 同一条RO
python auc三维图_Python画ROC曲线和AUC值盘算（附代码）_后端开发
weixin_39875167的博客
12-03 446
媒介ROC(Receiver Operating Characteristic)曲线和AUC常被用来评价一个二值分类器(binary classifier)的优劣。这篇文章将先简朴的引见ROC和AUC，而后用实例演示怎样python作出ROC曲线图以及盘算AUC。AUC引见AUC(Area Under Curve)是机械进修二分类模子中异常经常运用的评价目的，比拟于F1-Score对项目的不平衡...
机器学习之分类器性能指标之ROC曲线、AUC值
热门推荐
zdy0_2004的专栏
04-08 6万+
机器学习之分类器性能指标之ROC曲线、AUC值 http://www.cnblogs.com/dlml/p/4403482.html 分类器性能指标之ROC曲线、AUC值 一 roc曲线 1、roc曲线：接收者操作特征(receiveroperating characteristic),roc曲线上每个点反映着对同一信号刺激的感受性。 横轴：负正类率(false post
机器学习模型评估：ROC曲线
最新发布
天涯雨的博客
06-20 853
机器学习模型评估：ROC曲线
机器学习 | 模型评估方法（P-R曲线和ROC曲线）
m0_65437885的博客
10-23 1万+
机器学习模型的性能评估是至关重要的一部分。在分类问题中，我们通常希望了解模型的预测能力，也就是评估该模型对正类别和负类别的分类结果。PR曲线和ROC曲线是用于评估二分类模型性能的常用工具，通过在不同阈值下的精确度、召回率和真正率、假正率之间的权衡，评估模型的性能。
3 ROC曲线和PR曲线和AUG
qq_40231159的博客
04-09 3173
ROC曲线和PR曲线和AUG ROC曲线和PR曲线 一、ROC曲线和PR曲线各是什么？ PR（Precision - Recall）曲线 ROC(receiver operating characteristic)曲线 二、编程实现AUC的方法，并指出复杂度？ 三、AUC指标有什么特点？放缩结果对AUC是否有影响？ 一、ROC曲线和PR曲线各是什么？ PR（Precision - Recall）曲线 PR曲线实则是以precision（精准率）和recall（召回率）这两个为变量而做出的曲
python auc三维图_Python机器学习中的roc_auc曲线绘制
weixin_39968760的博客
12-03 267
from sklearn.metrics import roc_curve,aucfrom sklearn.ensemble import RandomForestClassifierimport matplotlib.pyplot as pltfrom sklearn.model_selection import train_test_splitx_train,y_train,x_test...
解决ROC曲线画出来只有一个点的问题
09-17
ROC曲线（Receiver Operating Characteristic Curve）是评估二分类模型性能的一种重要工具，它通过展示真正例率（True Positive Rate, TPR）与假正例率（False Positive Rate, FPR）之间的关系，来帮助分析模型在...
ROC曲线的蒙特卡洛仿真.rar_matlab 信号ROC_roc曲线仿真_蒙特卡洛 检测_蒙特卡洛 高斯_蒙特卡洛噪声
07-15
matlab蒙特卡洛仿真，高斯白噪声中确知信号的检测及其报告
利用Python画ROC曲线和AUC值计算
09-21
ROC曲线（Receiver Operating Characteristic Curve）是评估二分类模型性能的一种重要工具，它展示了不同阈值下真阳性率（True Positive Rate, TPR）与假阳性率（False Positive Rate, FPR）的关系。AUC（Area Under...
roc 曲线源码（java语言）
03-15
roc 曲线源码 java 源码 很好用
ROC曲线含义 绘制 解读，AUC指标
weixin_55730631的博客
11-12 3060
ROC与AUC的含义绘制与解读 1.ROC曲线 ROC曲线是研究学习其泛化性能的有效工具，体现综合考虑学习器在不同任务下“期望泛化性能”的好坏。 ROC曲线的纵轴是“真正例率”TPR（true positive rate）和“假正例率”FPR(false positive rate) TPR=TP/(TP+FN) TPR=TP/(TP+FN) TPR=TP/(TP+FN) FPR=FP/(TN+FP) FPR=FP/(TN+FP) FPR=FP/(TN+FP) 真正例率：真正例在所有实际正例中占比 （正
ROC曲线的绘制与逆转
weixin_73101319的博客
11-29 2760
如果roc曲线在对角线的下方，曲线下面积AUC低于0.5，这通常意味着你的模型在预测时完全相反，例如，你的模型将真实为1的样本预测为0，将真实为0的样本预测为1。这是不对的，需要进行反转，在对角线的上方，使用（1-概率）；
ROC曲线图详解
yaohan1114的博客
11-20 1万+
@TROC曲线图详解OC 欢迎使用Markdown编辑器 你好！ 这是你第一次使用 Markdown编辑器 所展示的欢迎页。如果你想学习如何使用Markdown编辑器, 可以仔细阅读这篇文章，了解一下Markdown的基本语法知识。 新的改变 我们对Markdown编辑器进行了一些功能拓展与语法支持，除了标准的Markdown编辑器功能，我们增加了如下几点新功能，帮助你用它写博客： 全新的界面设...
ROC曲线的含义以及画法
m0_48520385的博客
07-10 3万+
** ROC的含义及画法 ** ROC的全名叫做Receiver Operating Characteristic（受试者工作特征曲线 ），又称为感受性曲线（sensitivity curve）。得此名的原因在于曲线上各点反映着相同的感受性，它们都是对同一信号刺激的反应，只不过是在几种不同的判定标准下所得的结果而已。其主要分析工具是一个画在二维平面上的曲线——ROC 曲线。ROC曲线以真正例率TPR为纵轴，以假正例率FPR为横轴，在不同的阈值下获得坐标点，并连接各个坐标点，得到ROC曲线。 对于一个分类任务
逻辑回归的大致过程_R语言:逻辑回归ROC曲线对角线分析过程及结果 - lico9e
weixin_31303743的博客
01-22 1537
之前我们讨论了使用ROC曲线来描述分类器的优势，有人说它描述了“随机猜测类别的策略”，让我们回到ROC曲线来说明。考虑一个非常简单的数据集，其中包含10个观测值(不可线性分离)在这里我们可以检查一下，确实是不可分离的plot(x1,x2,col=c("red","blue")[1+y],pch=19) 考虑逻辑回归reg = glm(y~x1+x2,data=df,family=binomial...
ROC曲线下面积的相关计算和检验
→★佐佑思维★←
12-28 1万+
《ROC曲线下面积的计算方法》 1、ROC曲线的含义 2、ROC曲线下面积的估计：双正态参数法 3、AUC的最大似然估计 4、面积的置信区间估计 5、delta方法 6、AUC非参数检验结合实例理解检验过程 ROC是受试者工作特征（Receiver Ope rating Characteristic）的缩写。ROC曲线及ROC曲线下面积可作为某一诊断方法准确性评价的指标；通过对同一疾病的多种诊断试验分析比较，这些指标可帮助临床医生筛选出最佳诊断方案。国内外许多学者通过对不同类型资料进行研究，相继提出了ROC
Roc曲线
04-21
### ROC 曲线概述 ROC 曲线（Receiver Operating Characteristic Curve），即接收者操作特征曲线，是一种广泛应用于机器学习领域中的工具，用于评估二分类模型的性能。该曲线通过绘制不同分类阈值下的假阳性率（False Positive Rate, FPR）和真阳性率（True Positive Rate, TPR）来展现模型的表现[^1]。 #### 基本定义 - **FPR (False Positive Rate)**：表示负样本被错误地预测为正类的比例。 \[ FPR = \frac{FP}{FP + TN} \] - **TPR (True Positive Rate)** 或称为敏感度（Sensitivity）、召回率（Recall）：表示实际为正类的样本中，被正确识别为正类的比例。 \[ TPR = \frac{TP}{TP + FN} \] 其中： - \( TP \) 表示真正例数； - \( FP \) 表示假正例数； - \( TN \) 表示真反例数； - \( FN \) 表示假反例数； 通过改变分类器的决策阈值，可以计算出一系列的 \( FPR \) 和 \( TPR \)，并将它们绘制成一条二维曲线，这就是 ROC 曲线[^1]。 --- ### AUC 的概念及其意义 AUC 是指 ROC 曲线下的面积（Area Under the Curve）。AUC 被用来量化模型的整体性能。通常情况下，AUC 的取值范围在 0 到 1 之间： - 当 AUC 接近于 1 时，表明模型具有很强的区分能力； - 当 AUC 等于 0.5 时，意味着模型无法有效地区分正类和负类； - 如果 AUC 小于 0.5，则可能说明模型存在严重的偏差或者数据标签颠倒的情况[^1]。 --- ### ROC 曲线的实际应用 在 Python 中可以通过 `sklearn.metrics` 提供的功能轻松实现 ROC 曲线的绘制以及 AUC 的计算。以下是具体的操作流程与代码实例： ```python from sklearn.datasets import make_classification from sklearn.model_selection import train_test_split from sklearn.linear_model import LogisticRegression from sklearn.metrics import roc_curve, auc import matplotlib.pyplot as plt # 创建模拟数据集 X, y = make_classification(n_samples=1000, n_features=20, n_classes=2, random_state=42) # 数据划分 X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=42) # 构建逻辑回归模型并训练 model = LogisticRegression() model.fit(X_train, y_train) # 获取测试集中每个样本属于正类的概率分数 y_scores = model.predict_proba(X_test)[:, 1] # 计算 ROC 曲线的相关参数 fpr, tpr, thresholds = roc_curve(y_test, y_scores) roc_auc = auc(fpr, tpr) # 绘制 ROC 曲线图 plt.figure(figsize=(8, 6)) plt.plot(fpr, tpr, color='darkorange', lw=2, label=f'ROC curve (area = {roc_auc:.2f})') plt.plot([0, 1], [0, 1], color='navy', lw=2, linestyle='--') # 随机猜测基线 plt.xlim([0.0, 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() ``` 此段代码展示了如何利用逻辑回归构建一个简单的分类模型，并基于测试集上的概率得分生成 ROC 曲线及对应的 AUC 值[^2]。 --- ### 总结 综上所述，ROC 曲线不仅能够直观地反映出分类模型在各种阈值条件下的表现情况，而且还能借助 AUC 来提供一种统一的标准去评判多个模型间的优劣差异。因此，在许多场景下，尤其是涉及不平衡类别分布的任务里，ROC-AUC 成为了不可或缺的重要评价手段之一[^1]。
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