ROC和AUC

 

1.     真阳性（TP）：诊断为有，实际上也有高血压。

2.     伪阳性（FP）：诊断为有，实际却没有高血压。

3.     真阴性（TN）：诊断为没有，实际上也没有高血压。N阴性，p阳性

4.     伪阴性（FN）：诊断为没有，实际却有高血压：后面字母是诊断的结果，T和F表示诊断对错

 

 阳性似然比为真阳性率与假阳性率之比，即等于TPF/FPF；约登（Youden）指数为真阳性率与假阳性率之差，即等于TPF-FPF。一般选择阳性似然比或约登指数最大者为最佳工作点

Sensitivity  和 specificity

真阳性率TPR(确实有病)sensitivity灵敏度=真阳性人数/（真阳性人数+假阴性人数）*100%。正确判断病人的率；TPR=TP/(TP+FN)
假阳性率FPR（确实没病）specificity特异度=真阴性人数/（真阴性人数+假阳性人数））*100%。正确判断非病人的率；FPR=TN/(FP+TN)

TPR ( 真正例率 )：TPR=TP/(TP+FN) # 真正 /（正类别）：正类别中预测对的个数

FPR ( 假正例率 )：FPR=FP/(TN+FP)#假正 /（负类别）：负类别中预测错误的个数

ROC曲线

ROC分析可用于医学决策评价。自从八十年代起该方法广泛用于医学诊断性能的评价，如用于诊断放射学、实验室医学、癌症的筛选和精神病的诊断，尤其是医学影像诊断准确性的

理论上，完善的诊断有TPF（真阳性率）=1 ，FPF（假阳性率）=0，图中表现为ROC曲线从原点垂直上升到图的左上角，然后水平到达右上角。完全无价值的诊断有TPF=FPF，是一条从原点到右上角的对角线。一般ROC 曲线位于正方形的上三角。

 

ROC曲线是以真阳性率（灵敏度）为纵坐标，假阳性率（特异度）为横坐标绘制的曲线;离左上角越近的点预测（诊断）准确率越高。离右下角越近的点，预测越不准

ROC 曲线：纵轴为 TRP，横轴为 FPR，ROC 曲线围住的面积称为 AUC，AUC 越大则学习器性能越好。

曲线下面积（AUC）

AUC值越大的分类器，正确率越高。

AUC = 1，是完美分类器，采用这个预测模型时，存在至少一个阈值能得出完美预测。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）妥善设定阈值的话，能有预测价值。

AUC = 0.5，跟随机猜测一样（例：丢铜板），模型没有预测价值。

AUC < 0.5，比随机猜测还差；但只要总是反预测而行，就优于随机猜测。

 

Precision 和Recall：精确率和召回率

Precision ( 精确度/查准率 )：P=TP/(TP+FP) # 真正 /（预测正）：预测正中对的几个

Recall ( 召回率/查全率 )：R=TP/(TP+FN) #真正 /（正类别）：正的找回几个

F1 度量：2RP/(R+P)：精确率和召回率的调和均值。

PR 曲线：纵轴为 Precision，横轴为 Recall