ROC

最新推荐文章于 2025-02-05 03:15:00 发布
翻译 最新推荐文章于 2025-02-05 03:15:00 发布 · 852 阅读 · 1

本文详细解析了ROC曲线的概念，包括真正率、假正率等关键指标，并阐述了其在评估二分类模型性能时的重要作用。通过解释ROC曲线上关键点的意义，以及如何通过曲线下面积（AUC）来量化模型性能，本文为理解和应用ROC曲线提供了深入的指导。

ROC曲线（Receiver Operating Characteeristic Curve）是显示Classification模型真正率和假正率之间折中的一种图形化方法。

解读ROC图的一些概念定义:：

真正（True Positive , TP）被模型预测为正的正样本
假负（False Negative , FN）被模型预测为负的正样本
假正（False Positive , FP）被模型预测为正的负样本
真负（True Negative , TN）被模型预测为负的负样本

真正率（True Positive Rate , TPR）或灵敏度（sensitivity）
TPR = TP /（TP + FN）
正样本预测结果数 / 正样本实际数
假负率（False Negative Rate , FNR）
FNR = FN /（TP + FN）
被预测为负的正样本结果数 / 正样本实际数
假正率（False Positive Rate , FPR）
FPR = FP /（FP + TN）
被预测为正的负样本结果数 /负样本实际数
真负率（True Negative Rate , TNR）或特指度（specificity）
TNR = TN /（TN + FP）
负样本预测结果数 / 负样本实际数

目标属性的被选中的那个期望值称作是“正”（positive）

ROC曲线上几个关键点的解释：

( TPR=0,FPR=0 ) 把每个实例都预测为负类的模型
( TPR=1,FPR=1 ) 把每个实例都预测为正类的模型
( TPR=1,FPR=0 ) 理想模型


一个好的分类模型应该尽可能靠近图形的左上角，而一个随机猜测模型应位于连接点（TPR=0,FPR=0）和（TPR=1,FPR=1）的主对角线上。

ROC曲线下方的面积（AUC）提供了评价模型平均性能的另一种方法。如果模型是完美的，那么它的AUG = 1，如果模型是个简单的随机猜测模型，那么它的AUG = 0.5，如果一个模型好于另一个，则它的曲线下方面积相对较大。

下面是一段关于ROC曲线分析应用在二值分类问题的描述：“The ROC analysis applies to binary classification problems. One of the classes is selected as a “positive” one. The ROC chart plots the true positive rate as a function of the false positive rate. It is parametrized by the probability threshold values. The true positive rate represents the fraction of positive cases that were correctly classified by the model. The false positive rate represents the fraction of negative cases that were incorrectly classified as positive. Each point on the ROC plot represents a true_positive_rate/false_positive_rate pair corresponding to a particular probability threshold. Each point has a corresponding confusion matrix. The user can analyze the confusion matrices produced at different threshold levels and select a probability threshold to be used for scoring. The probability threshold choice is usually based on application requirements (i.e., acceptable level of false positives).The ROC does not represent a model. Instead it quantifies its discriminatory ability and assists the user in selecting an appropriate operating point for scoring.”

from :http://www.shoensoft.com/blog/index.php/archives/25

君楠
关注
机器学习中的ROC曲线理解和实战
ouzhong11的博客
10-23 7944
ROC最简单的理解，一看就懂了
ROC与PR曲线
weixin_74100141的博客
04-16 1027
模型评估是在机器学习中，对训练好的模型性能进行评估的一种方法。它是模型开发过程中不可或缺的一部分，因为它可以帮助我们发现哪种模型能够最好地表达数据，以及所选模型在未来工作的性能如何。模型评估的方法有很多，例如准确率、召回率、F1分数、AUC-ROC等，通过这些方法，我们可以更全面地了解模型的性能，从而做出更好的决策。通过本次实验 理解和掌握常见的分类模型评估指标，如准确率、精确率、召回率、F1分数等。- 学习和使用ROC曲线和PR曲线来评估模型性能。分析不同k值下的ROC曲线，以观察模型性能的变化。
ROC及曲线面积汇总学习
hx2024的博客
11-27 615
ROC曲线的横坐标是假阳性，纵坐标是真阳性。head(data)1 55.85869 肿瘤2 85.54858 肿瘤3 101.68882 肿瘤4 33.08605 肿瘤5 88.58249 肿瘤6 90.12112 肿瘤。
ROC及AUC计算方法及原理
热门推荐
糖葫芦君的博客
07-30 8万+
1.非均衡分类问题 在大多数情况下不同类别的分类代价并不相等，即将样本分类为正例或反例的代价是不能相提并论的。例如在垃圾邮件过滤中，我们希望重要的邮件永远不要被误判为垃圾邮件，还有在癌症检测中，宁愿误判也不漏判。在这种情况下，仅仅使用分类错误率来度量是不充分的，这样的度量错误掩盖了样例如何被错分的事实。所以，在分类中，当某个类别的重要性高于其他类别时，可以使用Precison和Recall多个比...
深度学习中Roc曲线
qq_43308156的博客
05-18 1361
Roc曲线
机器学习评估利器：ROC曲线与AUC的理论与实践
do better.
02-05 1596
AUC是指ROC曲线下方的面积，它的取值范围是从0到1。AUC的具体含义是：如果随机选择一个正样本和一个负样本，分类器将正样本排在负样本前面的概率。AUCPyy−AUCPy​​y​−​其中y\hat{y}_+y​​和y−\hat{y}_-y​−​分别是模型对正样本和负样本的预测得分。因此，AUC实际上衡量了模型区分正负样本的能力。
ROC Matlab工具箱_ROC Toolbox for Matlab.zip
最新发布
09-15
ROC（Receiver Operating Characteristic）曲线是一种图形化的工具，用于展示分类模型性能的可视化方法，尤其在生物统计学和医学领域中使用较为广泛。ROC曲线下方的面积，即AUC（Area Under Curve）值，是一个重要的...
精选资源
逻辑回归临床预测模型lasso回归变量筛选roc曲线定制Delong检验
10-10
本主题主要探讨了如何利用逻辑回归配合LASSO（Least Absolute Shrinkage and Selection Operator）回归进行变量筛选，以及如何定制ROC（Receiver Operating Characteristic）曲线进行模型评估，并采用Delong检验来...
通达信指标公式源码 MACD-ROC副图.doc
07-30
通达信指标公式源码 MACD-ROC 副图 通达信指标公式是技术分析中最常用的指标之一，MACD（Moving Average Convergence Divergence，移动平均聚合离散指标）和ROC（Rate of Change，变化率）是两种常用的技术指标。...
python实现二分类和多分类的ROC曲线教程
09-16
在机器学习领域，ROC曲线（Receiver Operating Characteristic Curve）是一种评估分类器性能的重要工具，尤其适用于二分类和多分类任务。ROC曲线通过绘制真正阳性率（True Positive Rate, TPR）与假阳性率（False ...
auc计算公式_AUC、ROC详解：原理、特点&算法
weixin_39524636的博客
11-26 1783
前言接收者操作特征曲线(ROC)可以用来对分类器的表现可视化，可以依据分类器在ROC上的表现来选择最终的模型。分类性能TP、FP、TN、FN以二分类问题为例，每个实例I将会被映射到正例和负例上{p，n}。模型会将每个实例一个预测结果，结果可能是连续的，也可能是离散的；对于连续的结果，需要根据阈值再进行分类。为了和分类标签区分，我们使用{Y，N}表示每个样本的预测结果。给定一个分类器和一个...
机器学习（四）ROC 和 AUC
qq_21484787的博客
01-30 9273
ROC 和 AUC AUC是一种模型分类指标，且仅仅是二分类模型的评价指标。AUC是Area Under Curve的简称，那么Curve就是ROC（Receiver Operating Characteristic），翻译为"接受者操作特性曲线"。 ROC 曲线由两个变量TPR和FPR组成，这个组合以FPR对TPR，即是以代价(costs)对收益(benefits)。 x轴为假阳性率（FPR）：在所有的负样本中，分类器预测错误的比例 FPR=FPFP+TNFPR = \frac {FP}{FP+TN}
ROC曲线及如何计算AUC
u010505915的博客
05-29 1万+
AUC的全名是Area Under Curve，就是ROC曲线下的面积。因此，在介绍AUC之前，先介绍下ROC。 ROC ROC，Receiver Operating Characteristic ROC（receiver operating characteristic curve）接收者操作特征曲线，是由二战中的电子工程师和雷达工程师发明用来侦测战场上敌军载具（飞机、船舰）的指标，属于信号检测理论。 ROC曲线的横坐标是伪阳性率（也叫假正类率，False Positive Rate...
机器学习--ROC，AUC
weixin_46361294的博客
04-07 2562
ROC曲线的意义 （1）ROC曲线能很容易的查出任意阈值对学习器的泛化性能影响 （2）有助于选择最佳的阈值。ROC曲线越靠近左上角，模型的准确性就越高。最靠近左上角的ROC曲线上的点是分类错误最少的最好阈值，其假正例和假反例总数最少 （3）可以对不同的学习器比较性能。将各个学习器的ROC曲线绘制到同一坐标中，直观地鉴别优劣，靠近左上角的ROC曲所代表的学习器准确性最高 该方法简单、直观、通过图示可观察分析学习器的准确性，并可用肉眼作出判断。ROC曲线将真正例率和假正例率以图示方法结合在一起，可准确反映某种.
详解ROC和AUC
JerryZhang1111的博客
10-14 1464
机器学习，auc度量分类模型好坏的一个标准
ROC曲线的绘制
笑口常开
04-12 7225
ROC曲线一般用于绘制二分类问题，用于评价分类器、分类算法的性能 ROC（Receiver Operating Characteristic）曲线和AUC常被用来评价一个二值分类器（binary classifier）的优劣工具：matlab2010b+libsvm-3.20%训练部分 load train.mat train; load train_label.mat train_label;
ROC曲线理解
weixin_44192389的博客
05-29 5977
https://www.jianshu.com/p/2ca96fce7e81 本文用于理解ROC曲线的定义，绘制过程及其应用实现，主要用于自我温习回顾基础 基本目录如下： 什么是ROC曲线？ 1.1 ROC曲线的历史 1.2 ROC曲线的定义 1.3 ROC曲线的应用场景 如何绘制ROC曲线？ 2.1 ROC曲线的绘制原理 2.2 ROC曲线绘制的Python实现 ------------------第一菇 - 什么是ROC曲线------------------ 1.1 ROC曲线的历史 自从读了吴军
roc曲线
haozi的博客
03-26 1万+
ROC曲线和auc 维基百科上roc是受试者工作特征曲线 （receiver operating characteristic curve，简称ROC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，只不过是在两种不同的判定标准下所得的结果而已。受试者工作特征曲线就是以假阳性概率（False positive...
roc
06-17
### ROC 曲线在机器学习中的定义与应用 ROC（Receiver Operating Characteristic）曲线是一种用于评估分类模型性能的工具。它通过绘制假正类率（False Positive Rate, FPR）与真正类率（True Positive Rate, TPR）之间的关系来展示模型的表现[^1]。FPR 是指被错误分类为正类的负样本比例，而 TPR 是指正确分类为正类的正样本比例。 绘制 ROC 曲线时，需要设定不同的阈值以将模型输出的概率转化为类别预测结果。随着阈值的变化，分类器的 TPR 和 FPR 也会随之变化，从而生成一系列点，并最终形成一条曲线[^2]。当阈值的数量越多，ROC 曲线越平滑，能够更准确地反映模型在不同阈值下的表现。 在实际应用中，如果数据集中的正类样本较少，或者对假正类的误判更为敏感，则应优先使用 PR（Precision-Recall）曲线进行评估。否则，ROC 曲线是更常见的选择，尤其是在需要综合考虑模型对正类和负类样本区分能力的情况下[^1]。 此外，AUC（Area Under Curve）是衡量 ROC 曲线下面积的指标，其值介于 0 和 1 之间。较大的 AUC 值表示模型具有更好的分类能力，因为这意味着模型能够更好地对正类和负类样本进行排序[^3]。 ```python from sklearn.metrics import roc_curve, auc import matplotlib.pyplot as plt # 示例代码：绘制 ROC 曲线 y_true = [0, 0, 1, 1] # 真实标签 y_scores = [0.1, 0.4, 0.35, 0.8] # 模型预测的概率 fpr, tpr, thresholds = roc_curve(y_true, y_scores) roc_auc = auc(fpr, tpr) plt.figure() plt.plot(fpr, tpr, color='darkorange', lw=2, label='ROC curve (area = %0.2f)' % roc_auc) plt.plot([0, 1], [0, 1], color='navy', lw=2, linestyle='--') 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') plt.legend(loc="lower right") plt.show() ```
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
表情包 代码片
 条评论被折叠 查看
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