模型评估:ROC曲线的绘制和AUC的计算

1. 混淆矩阵

在了解ROC之前，我们首先来了解一下混淆矩阵。

图1 混淆矩阵

对于给出的一个二分类问题，在混淆矩阵中:

• 横向表示样本对应的标签正例和负例的真实情况。

• 纵向表示样本对应的标签正例和负例的预测情况。

其中:

• TP: 表示predict为True, label为positive的情况。
• FP: 表示predict为False, label 为positive的情况。
• TN: 表示predict为True, label 为negativ的情况。
• FN: 表示predict为False, label 为negative的情况。

在此基础上衍生出来其他一些评价指标的计算包括:

• 准确率

表示在所有的样本中，我们预测正确的结果的概率。

$$accurcy=\frac{TP+TN}{TN+TP+FN+FP}$$

• 召回率

表示在所有label为positive的样本中,被我们预测为postive的结果概率。

r e c a l l = T P T P + F N recall = \frac{TP}{TP + FN} recall=TP+FN<