【模型评估】混淆矩阵之 ROC-AUC曲线、PRC曲线

最新推荐文章于 2025-05-22 10:35:08 发布
原创 最新推荐文章于 2025-05-22 10:35:08 发布 · 3.6k 阅读 · 5 ·
CC 4.0 BY-SA版权
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。
文章标签：

#ROC #AUC #模型评估 #混淆矩阵

本文介绍了ROC（受试者工作特征）曲线和AUC（曲线下面积）在模型评估中的作用，阐述了ROC曲线的绘制方法及AUC的含义，指出AUC值越大，分类器的正确率越高。同时讨论了PRC（精确率-召回率曲线）在正负样本数量悬殊情况下的优势，并强调当ROC曲线相似时，可借助PRC进行进一步鉴定，建议综合使用两者进行模型评估。

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

ROC - NUC

图片来自维基百科 https://en.wikipedia.org/wiki/Receiver_operating_characteristic
部分摘自http://blog.youkuaiyun.com/pipisorry/article/details/51788927
ROC定义

ROC（Receiver Operating Characteristic）曲线和AUC常被用来评价一个二值分类器（binary classifier）的优劣。为FPR（X轴）与TPR（Y轴）画出的曲线，定义请看 混淆矩阵（Confusion matrix）及其指标 。
ROC曲线

帮助记忆的个人理解，将二分模型结果分为正和反，
TPR 为 预测正向，真实正向，占所有真实正向的比例 TP/P
FPR 为 预测正向，真实反向，占所有真实反向的比例 FP/N
ROC绘制方法
  1. 计算所有样本的
最低0.47元/天 解锁文章

200万优质内容无限畅学
【笔记】混淆矩阵和ROC曲线
SpriteNym的博客
08-02 2361
很有用
机器学习模型评估混淆矩阵、ROC曲线和AUC以及PR曲线
幸运的Alina的博客
08-15 1万+
       在机器学习中，当我们基于某个业务建立模型并训练后，接下来我们需要评判模型好坏的时候需要基于混淆矩阵，ROC和AUC等来进行辅助判断。 混淆矩阵也叫精度矩阵，是用来表示精度评价，为N *N的矩阵，用来判别分类好坏的指标。 混淆矩阵中有以下几个概念： TP(True Positive): 被判定为正样本，实际也为正样本 FN(False Negative):伪阴性 ，被判定为负样...
Matlab画混淆矩阵和ROC曲线（精华）
zuyuhuo6777的博客
01-06 3302
一、画混淆矩阵 clc; clear; close all; fuse_matrix=rand(5)#产生矩阵 imagesc(fuse_matrix) set(gca,'xtick',1:5) set(gca,'xticklabel',{'one ','two','three','four','five'},'XTickLabelRotation',45)#设置横轴和横轴标签大小 s...
对比P-R/AP曲线和ROC/AUC曲线
最新发布
Buy0515的博客
05-22 156
目标：P-R 曲线关注的是精确率和召回率之间的权衡，重点在于正例的预测准确性和发现率。而 ROC 曲线关注的是真阳性率和假阳性率之间的权衡，重点在于模型在不同阈值下对正例和负例的分类能力。敏感性：P-R 曲线更加敏感于正例样本的变化，尤其在正例样本较少的情况下，P-R 曲线可以更好地评估模型的性能。除了 ROC 曲线的形状，可以计算每个模型的 ROC 曲线下的面积（AUC）来比较不同的模型，较高的 AUC 值表示模型具有更好的分类能力和区分能力。好了，今天的文章分享就到这里了，希望对大家的学习有帮助哦！
ROC曲线与混淆矩阵的绘制
围城
08-13 3813
20200813 - 引言 ROC曲线的绘制过程 混淆矩阵的绘制 问题 1. ROC曲线的绘制 ROC曲线的绘制绘制需要分类器能够返回相应的分类概率值。 from sklearn.metrics import roc_curve ns_fpr, ns_tpr, _ = roc_curve(testy, ns_probs) 完整代码来自[1]。[4]中说明了如何修改风格来使ROC曲线更好看。 对于多分类情况下的roc曲线，有两种方法可以处理，分别对应函数的两种参数，具体实现可以看看[2]。 2. 混淆矩
机器学习 之 ROC曲线，混淆矩阵
HeroIsUseless的博客
10-06 3446
TP true positive FP false positive TN FN FPR=FP()所有负样本FPR=\frac{FP()}{所有负样本}FPR=所有负样本FP()​ #代表数字 TPR=#TP(判断正确的正样本)所有正样本TPR=\frac{ \# TP(判断正确的正样本)}{所有正样本}TPR=所有正样本#TP(判断正确的正样本)​ TPR也叫召回率 Precission=#TPTP+FPPrecission=\frac{\# TP}{TP+FP}Precission=TP+FP#TP​
分类模型评估：混淆矩阵与ROC曲线
atwdy的博客
03-25 2719
理解混淆矩阵和ROC曲线之前，先明确几个概念。对于分类问题，不论是多分类还是二分类，对于某个关注类来说，都可以看成是二分类问题，当前的这个关注类为正类，所有其他非关注类为负类。从上面几个定义可以知道：1）样本总数 = TP+FP+TN+FN2）所有真实值为正类的样本总数 = TP+FN3）所有真实值为负类的样本总数 = TN+FP。
分类模型评估之ROC-AUC曲线和PRC曲线
热门推荐
皮皮blog
06-30 10万+
http://blog.youkuaiyun.com/pipisorry/article/details/51788927 ROC曲线和AUC ROC（Receiver Operating Characteristic，接受者工作特征曲线）曲线和AUC常被用来评价一个二值分类器（binary classifier）的优劣。博文介绍ROC和AUC的特点，讨论如何作出ROC曲线图以及计算AUC。 AUC是现...
对accuracy、precision、recall、F1-score、ROC-AUC、PRC-AUC的一些理解
huguozhiengr的博客
09-02 2378
　　最近做了一些分类模型，所以打算对分类模型常用的评价指标做一些记录，说一下自己的理解。使用何种评价指标，完全取决于应用场景及数据分析人员关注点，不同评价指标之间并没有优劣之分，只是各指标侧重反映的信息不同。为了便于后续的说明，先建立一个二分类的混淆矩阵 ，以下各参数的说明都是针对二元分类 ...
曲线绘制_roc_ROC曲线绘制_PRC_auc曲线绘制_
10-03
roc，prc，auc曲线绘制，帮助解决二分类问题的图像绘制处理
模型评价ROC\AUC\查准率\查全率\F-score\混淆矩阵\KS曲线\PR曲线等
小麦粒的Python
08-04 2732
AUC（Area Under Curve）是由ROC（Receiver Operating Characteristic Curve，受试者工作特征曲线）及其曲线下的面积组成，而ROC是由真阳性率和假阳性率绘制而成的曲线，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。混淆矩阵是ROC曲线绘制的基础，返回值是一个误差矩阵，常用来可视化地评估监督学习算法的性能。指标还有查准率、查全率和F-score等
混淆矩阵与P-R曲线、ROC曲线
Toby的博客
07-06 1297
1、混淆矩阵 　 　 Predicted 　 　 Positive Negative Actual Positive TP 真正 (True Positive) FN 假负 （False Negative） Negative FP 假正 （False Positive） TN 正负 (True Negative) 2、评价指标计算公式 准...
混淆矩阵-ROC曲线、召回率、精确率、准确率
m0_56878426的博客
06-16 2351
混淆矩阵的主要性能指标准确率：模型正确分类的样本占总样本数的比例，准确率衡量了模型在所有样本上的整体表现精确率：模型预测为正类别的样本中实际是正类别的概率，精确率衡量了模型在预测为正类别的样本上的准确性召回率：实际为正类别的样本中，正确预测为正样本的概率，召回度衡量了在实际为正样本中正确预测为正样本的预测概率F1分数：精确率和召回率的调和平均数，F1分数衡量了精确率和召回率之间的平衡混淆矩阵和上述性能指标共同提供了对分类模型性能全面的理解，并帮助评估模型的优缺点，进而进一步优化模型机器学习，周志华。
matlab混淆矩阵和roc曲线,从混淆矩阵绘制ROC曲线
weixin_39695954的博客
03-16 1443
我需要确定不同的分类模型预测值的能力。为了做到这一点，我需要绘制一个ROC曲线，但我正在努力开发一种方法。在我包括了我的整个python代码以及到我使用的数据集的链接。它看起来有很多代码，但实际上很简单。我发现的主要问题是，我有一个3x3混淆矩阵，不知道如何将其转换成ROC图。在非常感谢任何帮助。在数据集：import pandas as pdimport matplotlib.pyplot as...
matlab混淆矩阵和roc曲线,ROC曲线/AUC曲线与混淆矩阵介绍
weixin_31546795的博客
03-16 967
ROC曲线ROC(Receiver Operating Characteristic)曲线即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)，用来评价一个二值分类器(binary classifier)的优劣。ROC曲线的横坐标为false positive rate(FP...
混淆矩阵、ROC曲线以及AUC计算原理
qq_41588611的博客
09-23 1616
分类模型中各个评价指标之间的联系与区别
机器学习-混淆矩阵、ROC曲线和AUC图像
杨佳佳的博客
04-09 3019
在监督问题中，混淆矩阵可用作模型评估，一般常见于分类问题。 基本模型如图 横向代表真实值，纵向代表预测值。真正例指预测为正实际也为正的值，假负例是预测为负实际为正的值，假正例是预测为正实际为负的值，真负例指预测为负实际为负的值。 由此引出了模型效果评估的评价指标 准确率(Accuracy)=提取出的正确样本数/总样本数 召回率(Recall)=正确的正例样本数/样本中的正例样本数——...
分类器评估：混淆矩阵和ROC曲线
gsq6666的博客
04-02 3249
前言        本文是自己在学习机器学习当中遇到的一些问题，为了便于自己学习和记忆进行总结，写的有不正确的地方欢迎大家指正。        在此附上大佬的个人博客链接：链接，感谢大佬的帮助。 混淆矩阵 预测为正样本: +1 预测为负样本 : -...
机器学习 | 混淆矩阵和ROC曲线
Robin_hlt的博客
02-24 1370
机器学习系列之混淆矩阵和ROC曲线
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