分类算法——ROC曲线与AUC指标（九）

最新推荐文章于 2025-04-11 15:41:31 发布
最新推荐文章于 2025-04-11 15:41:31 发布
阅读量387 收藏 3
点赞数 9
分类专栏： 机器学习 文章标签： 分类 数据挖掘 人工智能
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/qq_37441377/article/details/138180358
版权
本文介绍了TPR(真正例率)和FPR(假正例率)的概念，探讨了ROC曲线及其横纵轴含义，重点阐述了AUC指标在衡量分类器性能，尤其是在样本不平衡情况下的重要性。AUC计算方法和示例代码也被提及，指出AUC范围在0.5到1之间，越接近1表示模型性能越好。

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

知道TPR与FPR

  • 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)
    • 所有真实类别为0的样本中，预测类别为1的比例

ROC曲线

  • ROC曲线的横轴就是FPRate，纵轴就是TPRate，当二者相等时，表示的意义则是：对于不论真实类别是1还是0的样本，分类器预测为1的概率是相等的，此时 AUC为0.5。
    在这里插入图片描述

AUC指标

  • AUC的概率意义是随机取一对正负样本，正样本得分大于负样本的概率
  • AUC的最小值为0.5，最大值为1，取值越高越好
  • AUC=1，完美分类器，采用这个预测模型时，不管设定什么值都能得出完美预测。绝大多数预测的场合，不存在完美分类器。
  • 0.5<AUC<1，优于随机猜测。这个分类器（模型）妥善设定值的话，能有预测价值。

最终AUC的范围在[0.5，1]之间，并且越接近1越好

AUC计算API

  • from sklearn.metrics import roc_
最低0.47元/天 解锁文章
ROC曲线及AUC值
林景的博客
09-12 5280
ROC曲线 参考文献：【ROC曲线与AUC值】 1. 介绍及引入 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)，即假阳性率（1−Sp1-Sp1−Sp）； 纵坐标是true positive rate(TPR)，即真阳性率（SnSnSn）。 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
7篇1章14节：评估和对比预测模型的ROC曲线和AUC值
DAT｜R科学与人工智能
11-13 719
ROC曲线的AUC值可以直观地衡量模型的分类能力，而通过调整ROC曲线中的判别阈值，可以帮助模型使用者在敏感性和特异性之间做出权衡。通过pROC包，R用户可以方便地绘制ROC曲线、计算AUC值、比较模型性能。
模型评估方法(AUC等)
lihonst的专栏
10-06 3450
模型评估方法，适合初学者入门
笔记︱统计评估指标AUC 详解
素质云笔记
09-25 1万+
文章目录1 AUC的两种解读视角：1.1 ROC曲线与坐标轴形成面积1.2 古典概率模型——求导AUC2 AUC的特性与优劣3 AUC多大才算好？4 线上、线下AUC差异较大成因分析4.1 业务场景使用AUC：点击模型与购买模型的差异4.2 线上、线下AUC有差异5 AUC逻辑升级 - GAUC参考文献 1 AUC的两种解读视角： 1.1 ROC曲线与坐标轴形成面积 AUC 的全称是 AreaUnderRoc 即 Roc 曲线与坐标轴形成的面积，取值范围 [0, 1]. Roc (Receiver ope
为什么搜索与推荐场景用AUC评价模型好坏？
夕小瑶科技说
07-21 1184
星标/置顶小屋，带你解锁最萌最前沿的NLP、搜索与推荐技术文 |吴海波在互联网的排序业务中，比如搜索、推荐、广告等，AUC（Area under the Curve of ROC）是一...
auc指标含义的理解
热门推荐
ACM 【程式=演算法+資料結構】@蜡笔小轩V
01-25 3万+
机器学习实践中分类器常用的评价指标就是auc，不想搞懂，简单用的话，记住一句话就行 auc取值范围[0.5,1]，越大表示越好，小于0.5的把结果取反就行。 想搞懂的，看An introduction to ROC analysis （Tom Fawcett）这篇论文把。我把这篇论文的要点整理了一下。 引子 假设有下面两个分类器，哪个好？
【机器学习实战】分类算法评估之ROC曲线绘制（多模型对比）
在热爱技术的路上一直前行。
03-23 1642
【代码】【机器学习实战】分类算法评估之ROC曲线绘制（多模型对比）
显著性检测模型评价指标（一）——ROC曲线和AUC
JERRY6066的博客
02-21 9721
显著性检测模型评价指标（一）——ROC曲线和AUC一、准备知识二、ROC曲线和AUC三、matlab代码新的改变功能快捷键合理的创建标题，有助于目录的生成如何改变文本的样式插入链接与图片如何插入一段漂亮的代码片生成一个适合你的列表创建一个表格设定内容居中、居左、居右SmartyPants创建一个自定义列表如何创建一个注脚注释也是必不可少的KaTeX数学公式新的甘特图功能，丰富你的文章UML 图表F...
[特殊字符] 第九讲 | ROC曲线与AUC值——如何量化分类模型的好坏？（附R语言代码包）
最新发布
weixin_73531395的博客
04-11 441
📘 专栏：科研统计方法实战分享 | 地学/农学人的数据分析工具箱✍️ 作者：平常心0715🧠 本讲关键词：ROC曲线、AUC值、分类模型评估、R语言实战。
分类算法中的ROC与PR指标
xiahouzuoxin
01-26 2万+
做过图像识别、机器学习或者信息检索相关研究的人都知道，论文的实验部分都要和别人的算法比一比。可怎么比，人多嘴杂，我说我的方法好，你说你的方法好，各做各的总是不行——没规矩不成方圆。于是慢慢的大家就形成了一种约定，用ROC曲线和PR曲线来衡量算法的优劣。关于ROC曲线和PR曲线的详细介绍可参考资料：ROC Analysis and the ROC Convex HullTom Fawcett,An
AUC、ROC详解：原理、特点&算法
Viking的博客
09-06 3609
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样本，会有4个输出。如果样本是正例而且被预测为正例，则归为TP；如果被预测为负例，则归为FN；如果样本是负例而且被
模型评估指标详解：ROC 曲线和 AUC 的计算方法
qq_43799400的博客
01-21 1万+
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
5.ROC-AUC机器学习模型性能的常用的评估指标
qq_37977007的博客
01-24 1983
机器学习的相关评估指标--ROC-AUC曲线
机器学习——ROC曲线和AUC
AndrewPerfect的博客
07-10 190
2、AUC是ROC曲线下的面积大小 取值一般在0.5~1之间。
python：评估分类模型性能的常用指标（acc、auc、roc）
养乐多的博客
05-03 4189
本文记录了评估分类模型性能的常用指标ACC、AUC、ROC曲线的计算方法和代码。代码使用python实现。
distiller的另一个实例正忙于启动_机器学习：借助实例透彻理解ROC曲线及AUC算法模型评估指标...
weixin_39668282的博客
11-26 545
F1 精确率—召回率权衡在某些情况中，我们也许需要以牺牲另一个指标为代价来最大化精确率或者召回率。例如，医院在对人们进行随访检查的初步疾病筛查中，我们可能希望得到接近于100%的召回率，我们想找到所有患病的患者。如果随访检查的代价不是很高，我们可以接受较低的精确率。然而，如果我们想要找到精确率和召回率的最佳组合，我们可以使用 F1 score 来对两者进行结合，F1 score 是对精度和召回率的...
一文理清楚，准确率，精度，召回率，真正率，假正率，ROC/AUC
weixin_44467105的博客
02-14 2568
一.混淆矩阵 如上图为一个混淆矩阵， True Positive （真正, TP）被模型预测为正的正样本； True Negative（真负 , TN）被模型预测为负的负样本 ； False Positive （假正, FP）被模型预测为正的负样本； False Negative（假负 , FN）被模型预测为负的正样本； 相对应的， True Positive Rate（真正率 , TPR）或灵...
visual fortran常用数值算法集_链路预测算法的评价指标
weixin_39521068的博客
11-20 366
该文章主要参考吕琳媛的《复杂网络链路预测》以及博文《链路预测(Link prediction)中常用的评价指标(evaluation metrics)》。衡量链路预测算法精确度的指标有三种：AUC、Precision、Ranking Score。 定义 ( G, V, E) 为一个无向网络，其中V为节点集合，E为边集合。网络总的节点数为N，边数为M。该网络共有N(N-1)/2个节点对，即全集U。将...
ROC曲线与AUC值
weixin_30872789的博客
11-21 1623
本文根据以下文章整理而成，链接： （1）http://blog.youkuaiyun.com/ice110956/article/details/20288239 （2）http://blog.youkuaiyun.com/chjjunking/article/details/5933105 1.概述 　　AUC（Area Under roc Curve）是一种用来度量分类模型好坏的一个标准。这样的...
ROC曲线与AUC评估：蘑菇分类逻辑回归实验室
在本实验中，我们接触到机器学习和数据分析中非常重要的一个概念——接收者操作特征曲线（Receiver Operating Characteristic Curve，简称ROC曲线）以及曲线下面积（Area Under the Curve，简称AUC）值。这两个工具...
评论
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