关于AUC和ROC曲线的理解

python_new python_new 博客等级 墨衍会员 · AI 创作全网分发 墨衍智能分发 本文由作者通过墨衍一键同步至各平台 1分发平台 400+累计阅读 439平均单平台 已同步平台 优快云 微信公众号 微博 知乎 掘金 百家号 博客园 抖音 小红书 你的文章也可以这样分发 墨衍会员 ¥399起/年，写一次发全网 我也要 码龄9年
关注
原创 最新推荐文章于 2026-04-04 09:41:48 发布 439 阅读 AI 写同款· GEO 优化 ›
模型评估指标详解：ROC 曲线和 AUC 的计算方法 机器学习模型评估指标详解：ROC 曲线和 AUC 的计算方法，AUC 的物理意义，根据物理意义计算 AUC 阅读详情

http://blog.youkuaiyun.com/dinosoft/article/details/43114935
http://my.oschina.net/liangtee/blog/340317

收录于
数据分析

当前文章被收录于：

数据分析
9 篇文章 7 人学习
订阅专栏 查看详情
标签
#机器学习
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。
深入理解ROC曲线的定义以及绘制ROC曲线过程，其与模型性能的关系，以及AUC 深入理解ROC曲线的定义以及绘制ROC曲线过程，其与模型性能的关系，以及AUC 很多学习器是为测试样本产生一个实值或者是概率预测，然后将这个预测值和一个分类阈值(threshold)进行比较。若大于阈值，则为正类；反之为负类。根据这个学习器计算出来得预测值，我们可以将测试样本进行排序，“最可能”是正例的放在最前面，“最不可能”是正例的排在最后面，这样分类过程就相当于在这个排序中的某个”截断点”(cut point)将样本呢分为两类，前一部分为正例，后一部分为反例。 前面有precision和recall，可 阅读详情

相关推荐

深入理解ROC曲线和AUC分数：评估分类模型的黄金标准

ROC曲线是一种展示分类器在不同阈值设置下性能的图形工具。它通过绘制真正类率（TPR）和假正类率（FPR）之间的关系，帮助我们理解模型在不同情况下的表现。

2401_85743969的博客 1568

AUC与ROC曲线面积的意义(细扒sklearn的AUC计算方法)

本文我们详细介绍什么是AUC、ROC，和AUC的具体计算逻辑、实现代码，以及AUC的使用经验值。

ywj_1991的博客 1万+

C# 操作Excel的时候，出现"被呼叫方拒绝接受呼叫的异常"的解决方案（参考官方给出的解决方案）

首先官方有对这个错误给出解释和解决方案，连接如下： https://docs.microsoft.com/zh-cn/previous-versions/ms228772(v=vs.120)#%E5%8F%AF%E9%9D%A0%E7%BC%96%E7%A8%8B 简单来说，貌似是线程问题，我猜。。。 之前我尝试着在代码中添加 Thread.Sleep(1000); 来进行解决，这种办...

Ck_Max的博客 5771

ROC曲线详解

最近学习遇到这个概念，看了半天总算明白了这个曲线的意义。—————————————————————————————————分割线1 ROC曲线的概念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

ChasingdreamLY的博客 15万+

SAP FICO实操：如何修改已发生业务数据的成本中心公司代码（附RKACOR06程序运行指南）

本文详细解析了SAP FICO系统中使用RKACOR06程序修改已发生业务数据的成本中心和公司代码的实操方法。通过实战案例分享，提供从前期准备到后期验证的全流程指南，帮助企业应对组织架构重组或财务核算体系调整时的数据迁移挑战，特别适用于跨公司代码的成本中心划转场景。

weixin_27303545的博客 192

SqlSugar避坑指南：C#操作MySQL时你可能会忽略的5个细节

本文分享了使用C#和SqlSugar框架操作MySQL数据库时的实战避坑指南。针对连接配置、实体映射、查询性能、事务处理等关键环节，深入剖析了5个容易被忽略但至关重要的细节，帮助开发者提升项目稳定性和执行效率，避免常见陷阱。

delta的博客 276

Python:机器学习的ROC曲线、AUC计算，以及相应的代码

ROC曲线的原理以及绘制方法参考点击打开链接，这里主要是对原理部分的代码实现。 对于每一个给定的阈值threshold，我们都可以算出有关的TPR、FPR参数，这里我写了以下函数来实现该功能，函数的输入有result和thres两部分。前一部分是包含两个array，第一个array用来存储每一个样本是正样本概率，第二个array则是每个样本的label属性(0或1)；后一部分则是选取的阈值，代码

whut_ldz的博客 3万+

Win11家庭版如何让Win+R运行CMD默认管理员权限？3种方法实测有效

本文针对Win11家庭版用户，实测了三种让Win+R运行CMD默认获取管理员权限的有效方法。通过分析UAC机制与家庭版功能限制，详细介绍了注册表编辑、快捷方式创建与任务计划程序三种方案的原理、步骤与风险对比，帮助用户根据安全与效率需求选择最佳方案，实现一键高效管理。

sat99的博客 1281

AUC详解与python实现

AUC（Area under curve）是机器学习常用的二分类评测手段，直接含义是ROC曲线下的面积，如下图： 要理解这张图的含义，得先理解下面这个表： 表中列代表预测分类，行代表实际分类： 实际1，预测1：真正类（tp） 实际1，预测0：假负类（fn） 实际0，预测1：假正类（fp） 实际0，预测0：真负类（tn） 真实负样本总数=n=fp+tn 真实正样...

lieying的博客 4万+

VM与欧姆龙PLC通讯设置实战：Fins TCP/UDP协议详解

本文详细解析了VM（VisionMaster）与欧姆龙PLC通过Fins TCP/UDP协议进行通讯的实战设置。内容涵盖网络配置、协议选择（TCP可靠性与UDP实时性）、VM端地址映射与数据点添加、以及数据接收解析流程，并提供了常见错误排查与高级调试技巧，帮助视觉与自动化工程师快速实现稳定可靠的工业通讯集成。

weixin_29172963的博客 333

《QGIS快速入门与应用基础》108：CGCS2000对应的投影坐标系

本文详细解析了CGCS2000地理坐标系对应的各类投影坐标系，包括高斯-克吕格3°带/6°带、UTM、地方独立投影和Web墨卡托投影。文章系统阐述了各投影类型的分带规则、参数设置、精度特性及适用场景，并提供了EPSG编码对照表和QGIS操作指南。通过"基准+投影"的绑定机制，这些投影坐标系实现了平面坐标与经纬度的精准转换，满足从大比例尺工程测量到Web地图服务等不同应用需求。内容涵盖投影原理、坐标格式、变形控制等关键技术要点，为GIS开发者和测绘人员提供了实用的参考信息。

LuckyHanMo的博客 545

ROC-AUC 浅谈理解ROC曲线和AUC值

这是一个评价二分类器的指标，特点是不受不平衡数据集的影响。但事实理解起来有点难。下面先介绍ROC-AOC是什么，然后再谈谈我的一种理解。ps，理解这个指标，首先得对经典的F1, Recall，Precision的比较熟悉，否则看了会一头雾水，如果你不熟这几个指标的计算，建议先阅读。 ROC曲线 receiver operating characteristic curve（名称似乎无法直观理解它本身，所以忽略），它是一条关于TPR和FPR的曲线，其中TPR，true positive rate，标签为正

KDLin‘s Blog 2944

天龙八部TLBB系列 - 网单服务端各目录文件说明【超详细】

专注于Android/Unity和各种游戏开发技巧，以及各种资源分享（网站、工具、素材、源码、游戏等） --- 天龙八部服务端各目录详细说明

空名先生 7647

ROC曲线和AUC面积理解

关注微信公众号【Microstrong】,我现在研究方向是机器学习、深度学习，分享我在学习过程中的读书笔记！一起来学习，一起来交流，一起来进步吧！本文同步更新在我的微信公众号中，公众号文章地址：https://mp.weixin.qq.com/s?__biz=MzI5NDMzMjY1MA==&mid=2247484146&idx=1&sn=963765a3ede231292...

Microstrong 9万+

【学习系列】SAP RAP 4：通过注解来完成一些常规需求

本文介绍了RAP应用中常用注解的实现方式，包括搜索帮助、文本描述绑定、联动搜索、字段控制等功能。通过@Consumption、@UI等注解可以实现搜索帮助定义、多字段联动、必输校验、默认排序和默认值设置。管理字段可通过@Semantics注解自动记录创建/修改信息，长文本使用@UI.multiLineText实现多行显示。这些注解可优化界面交互和数据管理，为后续行为定义功能开发奠定基础。文章结构清晰，针对不同需求提供了具体的实现方案和代码示例。

DeveloperMrMeng的博客 701

IEM模型，地表粗糙度模拟

利用微波反演土壤水分时候，利用IEM模型可以实现对随机地表的模拟

菜鸟理解ROC曲线和AUC

ROC曲线：受试者工作特征曲线 (receiver operating characteristic curve）又称为感受性曲线(sensitivity curve)。

机灵鬼 1529

IDEA的使用指南

IDEA基于java的使用手册,可以最快速的上手,在使用中不断的丰富自己的使用技巧.

auc是ROC曲线面积的直观理解

AUC的定义是ROC曲线的下部的面积，概率意义是随机取一对正负样本，正样本得分大于负样本得分的概率。 这个概念直观上能看懂但是很难理解为什么和ROC曲线的下部面积有关，下面给出一个我直观上的理解 首先是ROC曲线绘制所用到的混淆矩阵 预测值 预测值 1 0 真实值 1 TP FN 真实值 0 FP TN 混淆矩阵 TPR = TP / (TP + FN) 所有真实类别为1的样本中，预测类别为1的比例 FPR = FP / (FP + TN) 所有

hbsydsy的博客 3273

Outlook Express 6 (OE6) for Win7/Win8/Win10

英文版 Outlook Express6.0， 兼容Win7/Win10/WinXP，解压就可用。

TMS_WebGMaps_1.9.8.0_Full_Source

TMS_WebGMaps_1.9.8.0_Full_Source 全源码 delphi cbuilder

Precision、Recall、F-measure、ROC曲线、AUC理解

首先，在试图弄懂AUC和ROC曲线之前，一定，一定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Tru...

xieganyu3460的博客 975

理解AUC和ROC曲线

一、ROC曲线ROC曲线：受试者工作特征曲线出自一个军事案例；雷达兵为了传递更准确的预报需要区分触发雷达信号的是敌人还是飞鸟，但是过于谨慎的雷达兵的误报率较高，胆大的则漏报率更高。为了研究每个雷达兵预报的准确性，兵长汇总每个雷达兵的预报特点，以雷达兵准确预报的概率（敏感性）为纵坐标，以误报概率（特异性）为横坐标，绘制在二维坐标中。由于每个雷达兵预报标准不同所以得到敏感性和特异性的组合也不同，，汇总...

YouEr博客 1065

入门选手都能理解的ROC曲线与AUC值

1.ROC曲线 在信号检测理论中，接收者操作特征曲线（receiver operating characteristic curve，或者叫ROC曲线）是一种坐标图式的分析工具，用于 (1) 选择最佳的信号侦测模型、舍弃次佳的模型。 (2) 在同一模型中设定最佳阈值。 在做决策时，ROC分析能不受成本／效益的影响，给出客观中立的建议。 ROC曲线首先是由二战中的电子工程师和雷达工程师发明的，用来侦...

bitcarmanlee的博客 1万+

干货 | 一文完全理解AUC-ROC曲线

点击上方“小白学视觉”，选择加"星标"或“置顶”重磅干货，第一时间送达 来源： https://towardsdatascience.com/understanding-auc-roc-curve-68b2303cc9c5 翻译：石头 ...

小白学视觉 9619

（转载）直观理解ROC曲线中AUC评价指标

导语 最近一直在思考如何直观理解AUC，查了维基百科的以及网上的讲解描述，感觉仍然很难把这个概念表述得通俗易懂，直到昨天周会后拿笔在纸上画了画，感觉似乎找到了一种比较有意思的理解方法，下面就请各位看官容我慢慢道来。首先简单介绍一下什么是AUC。 根据维基百科的描述，AUC（A...

Myozz的博客 883

如何理解ROC曲线和AUC值

1、ROC曲线下的面积就是AUC值。 2、如何绘制ROC曲线，通过改变不同的阈值，每个阈值都可以得到一个混淆矩阵，通过混淆矩阵，可以计算出假阳性率和真阳性率。即该坐标系下的一个点。将阈值从0，调整到1，即可绘制出整个模型的ROC曲线。 3、ROC曲线越靠近左上角，意味着，模型越棒； 4、以上的结论针对的是2分类。如何计算多分类的ROC曲线，最简单的一种方案就是通过平均来计算。即给定一个阈值，然后计算每一个类的结果，通过平均得到一个点。以此类推，绘制出整个模型的ROC曲线，计算得到ROC的曲线...

Kp0fS的草稿纸 2251

科普 | 一文完全理解AUC-ROC曲线

来源：https://towardsdatascience.com/understanding-auc-roc-curve-68b2303cc9c5翻译...

fengdu78的博客 2144

ROC曲线与AUC指标理解

ROC曲线，也称受试者工作特征曲线，感受性曲线。用于研究X对于Y的预测准确率情况。 ROC曲线涉及的几个术语名词： 指标： ROC曲线最初是运用在军事上，当前在医学领域使用非常广泛，因此指标称“阴性”，“阳性”。 名词 说明 特异性 阴性人群中，检测出阴性的几率。也称真阴性率。 误报率 阴性人群中，检测为阳率的几率。也称假阳性率。（1 – 特异性） 敏感度 阳性人群中，检测出阳性的几率。也称真阳性率。 假阴性率 阳性人群中，检测为阴性的几率，也称假阴性率。 ROC曲线意义：

Parzival_的博客 3223
上一篇： 常见分布的概率分布及期望方差
下一篇： 神经网络文章整理
点赞 0
评论 0
书签 书签 0
python_new
python_new
博客等级 码龄9年 50粉丝 24原创
+ 关注 专栏目录 订阅专栏
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
 
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