AUC相对于准确率和召回率的优势

最新推荐文章于 2025-03-19 12:13:51 发布

Shawn.Leung

最新推荐文章于 2025-03-19 12:13:51 发布

阅读量3.7k

点赞数

本文链接：https://blog.youkuaiyun.com/luckoovy/article/details/80925064

版权

本文详细解释了AUC和ROC曲线的概念及其在机器学习分类任务中的应用。通过介绍AUC和ROC曲线的定义，帮助读者理解如何利用这些指标评估分类器的性能。此外，还讨论了如何根据实际需求选择合适的阈值。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

很多机器学习的模型对于分类问题的预测结果都是概率，如果计算accuracy，需要把概率转换为类别，这就需要手动设置一个阈值。高于该阈值放入A类，低于该阈值放入B类。

该阈值很大程度上影响accuracy的计算。AUC可以避免将概率转换成类别。

ROC：x轴-FPR = FP/(FP+TN)，y轴-TP = TP/(TP+FN)

AUC的含义：从所有1（0）样本中随机选择一个样本，放入分类器进行预测，预测1-->1的概率为p1，预测0-->1的概率为p0. p1>p0的概率就是AUC

在不同的应用任务中，我们可根据任务需求来采用不同的截断点，例如若我们更重视"查准率"，则可选择排序中靠前的位置进行截断；若更重视"查全率"，则可选择靠后的位置进行截断。

因此，排序本身的质量好坏，体现了综合考虑学习器在不同任务下的"期望泛化性能"的好坏，或者说"一般情况下"泛化性能的好坏. ROC 曲线则是从这个角度出发来研究学习器泛化性能的有力工具.

参考：

AUC，ROC我看到的最透彻的讲解

ROC曲线-阈值评价标准

确定要放弃本次机会？

福利倒计时

: :

立减 ¥

普通VIP年卡可用

立即使用

Shawn.Leung

关注关注

0
点赞
踩
2

收藏

觉得还不错? 一键收藏
0
评论
分享

复制链接

分享到 QQ

分享到新浪微博

扫一扫
举报

举报

准确率，召回率，F1 值、ROC，AUC、mse,mape评价指标

wenyusuran的专栏

07-26

1579

在机器学习、数据挖掘领域，工业界往往会根据实际的业务场景拟定相应的业务指标。本文旨在一起学习比较经典的三大类评价指标，其中第一、二类主要用于分类场景、第三类主要用于回归预测场景，基本思路是从概念公式，到优缺点，再到具体应用（分类问题，本文以二分类为例）。 1.准确率P、召回率R、F1 值定义 准确率（Precision）：P=TP/(TP+FP)。通俗地讲，就是预测正确的正例数据占预测为...

分类器的准确率、召回率以及综合评价指标

Reberkah的博客

06-21

6608

引言需求：如何评价一个分类器的好坏我们主要用准确率（accuracy）和召回率（recall）来评价分类算法，然而，有时候并非准确率高就代表一个算法好，比如说对某区域的某天的地震预测，类别为0和1，然而，一个不加思考的分类器，会对每种情况都划分为0，那么，这个地震预测器的准确率很有可能达到99.9%，然而，当地震真的来临，这个模型会毫无知觉。这样的模型带来的损失是巨大的。这个时候，就需要考虑到...

参与评论您还未登录，请先登录后发表或查看评论

精准率，召回率，auc

MusicDancing的博客

02-18

1018

1. 混淆矩阵真实情况预测结果正例反例正例 TP(真正例) FN(假反例) 反例 FP(假正例) TN(真反例) 精准率P （Percision 查准率） 召回率R （Recall 查全率） ...

【机器学习】分类性能度量指标 : ROC曲线、AUC值、正确率、召回率、敏感度、特异度

最新发布

一碗黄焖鸡三碗米饭的博客

03-19

1348

模型评估指标的选择直接影响模型的优化和最终效果。在实际项目中，理解各个评估指标的含义，并根据任务特性选择合适的指标，是提升模型效果的关键。通过掌握准确率、精确率、召回率、F1 分数、AUC 等常见评估指标的计算和应用方法，你可以更加高效地评估和优化你的模型，提升模型的泛化能力和实际应用效果。希望通过本文的讲解，能够帮助你更深入理解模型评估指标的选择和应用，从而在机器学习项目中做出更明智的决策。机器学习基础：监督学习 vs 无监督学习-优快云博客常见的机器学习算法：深入解析与代码示例-优快云博客。

AUC,GAUC,AUC的优点

qq_41786778的博客

07-04

807

https://blog.youkuaiyun.com/TheChosen1LBJ/article/details/87381811 https://www.zhihu.com/question/39840928 TPRate的意义是所有真实类别为1的样本中，预测类别为1的比例。 FPRate的意义是所有真是类别为0的样本中，预测类别为1的比例。 https://blog.youkuaiyun.com/weixin...

AUC越大，正确率就越高？

LegenDavid's warehouse

01-15

3万+

问题近日，一位朋友拿着两个模型预测效果比较的结果来咨询，当然是遇到了一个好像不太正常的现象才来咨询的。两个模型都是二分类结局的，应用常见的Logistic回归模型得到结果如下：模型A的正确率为85%，AUC为0.98；模型B的正确率为93%，AUC为0.92。那么选择哪个模型呢？很多朋友首先应该会质疑方法使用的正确性，不过出现这个问题的可能性很小，我们假设方法是正确

CTR 预测理论（十五）：分类评价指标 AUC 总结（优缺点、计算公式推导）

Dby_freedom的博客

05-04

1万+

个人复习总结分类评价指标 ROC，AUC 时候，私以为 AUC 作为 CTR 预估常用离线评估指标，有着丰富的含义和特性，现对其含义、优缺点、用途、计算公式推导等做一个盘点。

准确率(Precision)、召回率(Recall)、F值对于模型的评估

qq_32572085的博客

04-15

4525

一、有哪些模型评估方法？在机器学习、数据挖掘、推荐系统完成建模之后，需要对模型的效果做评价。业内目前常常采用的评价指标有准确率(Precision)、召回率(Recall)、F值(F-Measure)等，下图是不同机器学习算法的评价指标。下文讲对其中某些指标做简要介绍。倾向于使用准确率，是因为熟悉它的定义，而不是因为它是评估模型的最佳工具！精度（查准率）和召回率（查全率）...

目标检测如何计算召回率_目标检测 — 评价指标

weixin_30771489的博客

01-16

1407

评价指标：准确率 (Accuracy)，混淆矩阵 (Confusion Matrix)，精确率(Precision)，召回率(Recall)，平均正确率(AP)，mean Average Precision(mAP)，交除并(IoU)，ROC + AUC，非极大值抑制(NMS)。1、准确率 (Accuracy)分对的样本数除以所有的样本数，即：准确(分类)率 = 正确预测的正反例数 / 总数。准...

一表看懂准确率、精确率、召回率、AUC

qq_36013249的博客

04-08

804

准确率、精确率、召回率 实际值\预测值 0 1 0 80(TN) 20(FP) 1 20(FN) 80(TP) 理解TN,FP,FN,TP TN：正确地True预测成了Negative FP：错误地False预测成了Positive FN：错误第False预测成了Negative TP：正确地True预测成了Positive 准确率：提取的正确信息数/样本中的总信息数 ...

精确率、召回率、F1 值、ROC、AUC 各自的优缺点是什么？

qq_24263553的博客

03-21

3167

13212

机器学习评价指标【准确率、精确率、召回率、F1值、ROC、AUC】

真心乖宝宝的博客

08-07

1879

准确率(precision) 在被判定为正样本的数据中，实际为正样本的个数精确率(accuracy) 在所有数据中，正负样本判断正确的个数 召回率(recall) 在实际为正样本的数据中，被判定为正样本的个数 F1值 F1值是精确率和召回率的调和均值，相当于精确率和召回率的综合评价指标 ROC 接收者操作特征曲线（receiver operating characteristic curve），是反映敏感性和特异性连续变量的综合指标，ROC曲线上每个点反映着对同一信号刺激的感受性横坐

MindSpore分类指标之准确率、AUC/ROC详解（一）

xi_xiyu的博客

01-25

1766

一、评价指标基本概念评价指标是针对模型性能优劣的一个定量指标。一种评价指标只能反映模型一部分性能，如果选择的评价指标不合理，那么可能会得出错误的结论，故而应该针对具体的数据、模型选取不同的的评价指标。本文将详细的介绍一下在教程中的图片分类项目为什么要用准确率(Accuracy)来作为评价指标。使用准确率(Accuracy)的时候，数据需要满足那些条件。二、混淆矩阵我们从混淆矩阵开始，引出我们所要讲述的评价指标。图1-混淆矩阵 TP、FN、FP、TN的解释：（1）若一

一篇文章真正讲懂模型评估指标(准确率，召回率，精确率，roc曲线，AUC值）

ak_bingbing的博客

11-11

2053

在机器学习领域，评估模型性能是至关重要的一步。本篇博客将重点讨论模型评估指标中的准确率，召回率，精确率，AUC值以及ROC曲线，并提供了相应的代码实现。召回率是衡量模型在识别正例中正确率的指标，而ROC曲线则是一种直观且常用的模型评估工具。通过阅读本篇博客，读者将对模型评估指标中的召回率和ROC曲线有更深入的理解，并掌握了使用Python实现这些指标的方法。这些知识和技巧将帮助读者更好地评估和优化自己的机器学习模型。

AUC原理介绍及求解方法总结

AnneQiQi的博客

03-16

9362

前面的一个帖子中谈到了在决策树模型下计算AUC的问题，主要是讨论如何用决策树得到test samples的更为合理的rank。但是，关于怎么计算AUC却没有详细说明。本文试图总结和理清楚AUC计算这个问题，这么做，除了因为AUC本身比较常用和重要以外，还有以下两个方面的原因： a. 有些做machine learning的同行，没有仔细的搞清楚AUC到底是怎么回事。就写文章(竟然发表在KD

AUC原理详细讲解

Ezra521的博客

06-09

1万+

一、AUC含义首先，在试图弄懂AUC和ROC曲线之前，首先要彻底理解混淆矩阵的定义！混淆矩阵中有着Positive、Negative、True、False的概念，其意义如下：称预测类别为1的为Positive（阳性），预测类别为0的为Negative（阴性）。预测正确的为True（真），预测错误的为False（伪）。对上述概念进行组合，就产生了如下的混淆矩阵：然后，由此引出True Positive Rate（真阳率）、False Positive（伪阳率）两个概念： TPRate=TPT

精度很高？论AUC的重要性

weixin_45342593的博客

02-14

2822

AUC的重要性今天使用Dense预测Titanic生存数据，深刻体会到了AUC的重要性。使用2层Dense准确率从0.6直接升到最高0.96，兴冲冲去做O2O优惠券使用预测，做完发现精确度提高很大，结果一算AUC悲剧了…… AUC（Area Under Curve）被定义为ROC曲线下与坐标轴围成的面积，显然这个面积的数值不会大于1。又由于ROC曲线一般都处于y=x这条直线的上方，所以AUC的...