ROC 曲线

最新推荐文章于 2022-04-30 01:35:25 发布
原创 最新推荐文章于 2022-04-30 01:35:25 发布 · 1k 阅读 · 0 ·
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。

tt作为一个ML研究者如果你没听过 ROC curve 那你就不能称之为一个good student，^_^，开个玩笑。

假如用ROC来评价一个分类器最好不过了，什么准确率/召回率靠边站吧。

涉及到的到名词：TP/ FP   TN/FN  （突然意识到其实 true positive and false     true negative and false negative 只要是因为早期用在医疗上诊断良性与恶性，可能由此得名把）

                                TPR/FPR  (这个就不用说了把)

已FPR 为x轴  TPR为y轴 （为了使曲线在y=x上方 ，这样你看起来也比较方便对吧）划出roc曲线

当你的分类问题如果是以概率为临界值时，每选择一个一个临界值你就会得到一个分类结果（对应roc坐标中的一个点），当选择多个临界值的时候，你就会得到一系列的点。由此可以在roc坐标中划出一条曲线。这样就可以观察对于给定的临界值，你的FPR与TPR的关系。其实最理想的情况是你原本正确的都分对了，错误的当然也就同时都分对了。此点对对应的就是（0，1）。但实际问题并不完美，所以你需要根据roc曲线来确定你的最佳临界值。对于最佳临界值已有好多人研究过，可以google一大堆。基本上就是根据不同的需求得到不同的临界值。

骚年：抱着你小妾睡觉吧。（洗洗睡了，明天还要回家商量结婚，虽然没毕业，可年龄到了，为了让家中老父放下心头的石头，万事无阻，go++）

附上参考（比我说的明白多了，不过我为了自己印象深刻）：http://zh.wikipedia.org/wiki/ROC%E6%9B%B2%E7%BA%BF

ROC曲线
所念皆星河
10-05 678
它通过在不同阈值下计算模型的真阳性率（True Positive Rate, TPR）和假阳性率（False Positive Rate, FPR）来全面评估分类器的表现，随着机器学习的发展，尤其是在医疗诊断、欺诈检测和金融风险控制等领域，ROC曲线成为衡量分类器性能的标准方法。这里绘制随机森林模型在多分类任务中的ROC曲线，包括每个类别的ROC曲线、宏平均ROC曲线以及随机猜测的参考线，图中还显示了每个类别及宏平均的AUC值，用于评估模型的分类性能，具体解释前文已给出。一般情况下，AUC值可以这样理解。
stata绘制roc曲线_绘制ROC曲线、找截断值，教你两种软件操作方法！
weixin_36218863的博客
12-30 7141
我们在前面学习过用SPSS(SPSS操作：多项测量指标的ROC曲线分析)和Stata (Stata教程：ROC曲线下面积的比较)绘制ROC曲线。但是，最佳临界点--截断值(cut-off point)，该怎么选取呢？今天我们来讲一下如何用SPSS和Medcalc来绘制ROC曲线，并找到截断值。假设某实验室人员选用一种新方法对同一批患者进行了诊断，患者的真实状态已知。actual代表真实患病状态，即...
ROCR包中ROC曲线计算是取大于cutoff还是大于等于cutoff
weixin_30840253的博客
07-24 1232
找到对应的代码如下 .compute.unnormalized.roc.curve function (predictions, labels) { pos.label <- levels(labels)[2] neg.label <- levels(labels)[1] pred.order <- order(predictions, dec...
ROC曲线学习总结
忆殇D.Rose的博客
08-19 10万+
文章目录ROC曲线学习总结1. ROC曲线(Receiver Operating Characteristic)的概念和绘制2. 利用ROC曲线评价模型性能——AUC(Area Under Curve)3. 利用ROC曲线选择最佳模型3.1 不同模型之间选择最优模型3.2 同一模型中选择最优点对应的最优模型3.3 当测试集中的正负样本的分布变换的时候，ROC曲线能够保持不变ROC曲线在对分类问...
深挖ROC曲线（截断值计算） - 基于R语言
m0_45248682的博客
04-19 2万+
ROC曲线，多用于二分类问题的评价，通过选取合适的截断值（阈值threshold）便能得出AUC。但很多时候我们只是单纯地通过掉包来计算AUC并绘制ROC曲线，其中的原理和最佳阈值的筛选往往被人们忽略。同时笔者最近的项目中需要重新温习这些小细节，故撰文积累一下。（本文不以实际用途出发，若只想得出结果可以看看这篇：https://blog.youkuaiyun.com/m0_45248682/article/details/104080913）
R语言 ROC曲线 截断值、特异性、敏感性和曲线下面积AUC值的计算和显示
skywindy1的博客
10-24 2万+
** R语言 ROC曲线 截断值、特异性、敏感性和曲线下面积AUC值的计算和显示 R语言绘制ROC曲线在临床医学中的应用 ** #计算体脂率对诊断妊娠期糖尿病的ROC曲线、截断值 sumExcel1.2018合4_列合并症<- read.csv(“C:\Users\Desktop\sumExcel1_2019071.csv”,sep = “,”,header = TRUE)#读取数据，exc...
如何画ROC曲线和FROC曲线
pursuit_zhangyu的博客
04-07 2万+
画ROC曲线代码 具体去看https://www.jianshu.com/p/5df19746daf9。，里面的代码讲的详细 例子 # coding=UTF-8 from sklearn import metrics import matplotlib.pylab as plt #真实值 GTlist = [1.0, 1.0, 0.0, 1.0, 0.0, 1.0, 0.0, 1.0, ...
解决ROC曲线画出来只有一个点的问题
09-17
ROC曲线（Receiver Operating Characteristic Curve）是评估二分类模型性能的一种重要工具，它通过展示真正例率（True Positive Rate, TPR）与假正例率（False Positive Rate, FPR）之间的关系，来帮助分析模型在...
ROC曲线的蒙特卡洛仿真.rar_matlab 信号ROC_roc曲线仿真_蒙特卡洛 检测_蒙特卡洛 高斯_蒙特卡洛噪声
07-15
matlab蒙特卡洛仿真，高斯白噪声中确知信号的检测及其报告
利用Python画ROC曲线和AUC值计算
09-21
ROC曲线（Receiver Operating Characteristic Curve）是评估二分类模型性能的一种重要工具，它展示了不同阈值下真阳性率（True Positive Rate, TPR）与假阳性率（False Positive Rate, FPR）的关系。AUC（Area Under...
关于肺结节检测相关的FROC曲线和目标检测中Precision-Recall曲线,ROC曲线，mAP，AP，APs,APm,APl，AP0.5等的理解。
qq_36401512的博客
03-06 1万+
ps自己之前也不理解这个FROC是什么鬼，连mAP，AP也不太理解（还有APs,APm,APl，AP0.5等等）后来花了挺长时间的，今天又有人问我FORC是什么，这里我就稍微总结下： 1.Precision-Recall曲线，ROC曲线，AP，mAP可以参考我之前的博客转过的知乎上大神的评论，还没理解的可以看下。 2.APs,APm,APl，AP0.5等的是在基于coco数据时候定义出来评论检...
roc曲线的意义_ROC曲线分析
weixin_39655377的博客
12-19 3万+
作者：柏安之 封面：自己想吧01ROC曲线的主要作用(1)ROC曲线可以很容易地查出一个分类器在某个阈值时对样本的识别能力。(2)可以借助ROC曲线选择出某一诊断方法最佳的诊断界限值。ROC曲线越是靠近左上角，试验的FPR越高和FPR越低，即灵敏度越高，误判率越低，则诊断方法的性能越好。可知ROC曲线上最靠近左上角的ROC曲线上的点其灵敏度和特异度之和最大，这个点或是其邻近点常被称为诊...
什么是FROC曲线
weixin_42305201的博客
04-30 3262
什么是FROC曲线
ROC FROC SROC曲线
weixin_41043240的博客
05-10 1万+
1. ROC曲线 ROC（Receiver Operating Characteristic Curves）曲线是显示Classification模型真正率和假正率之间折中的一种图形化方法。 解读ROC图的一些概念定义:： 真正（True Positive , TP）被模型预测为正的正样本； 假负（False Negative , FN）被模型预测为负的正样本； 假正（False Pos...
ROC曲线-阈值评价标准
热门推荐
Rachel Zhang的专栏
03-16 23万+
ROC曲线指受试者工作特征曲线 / 接收器操作特性曲线(receiver operating characteristic curve), 是反映敏感性和特异性连续变量的综合指标,是用构图法揭示敏感性和特异性的相互关系，它通过将连续变量设定出多个不同的临界值，从而计算出一系列敏感性和特异性，再以敏感性为纵坐标、（1-特异性）为横坐标绘制成曲线，曲线下面积越大，诊断准确性越高。在ROC曲线上，最靠近
模式识别 评价方法 ROC曲线, DET曲线, FPPW, FPPI etc.
yangyangyang20092010的专栏
11-08 3万+
模式识别 评价方法 ROC曲线 DET曲线  FPPW  FPPI etc. 因个人在做模式识别相关的工作，模式识别算法最终的性能评价是关键。但苦于网上很难找到具体、详细的评价流程、方法以及代码，所以本人打算近期准备如题所示评价方法的整理工作，到时候会奉上方法介绍、基础代码（matlab 版），以帮助更多像我这样对这些方法有些迷茫的人。
FROC曲线
思维缜密的博客
03-17 2143
两次了，问这个froc，我都不知道是个啥，所以来学习了 froc曲线其实与roc曲线类似 froc把横坐标换成了平均的假阳性个数 这里主要对着这个代码讲https://github.com/M3DV/RibFrac-Challenge/blob/master/ribfrac/evaluation.py 前置知识 这是一个肋骨骨折的比赛，有2个任务，第1个是检测（实例分割），第2个是对分割的结果进行分类 froc针对第一个任务 这个比赛要求提交 1.实例分割的.nii.gz文件 2.一个csv 每一行是一个骨
ROC曲线的绘制
weixin_41556165的博客
01-14 1万+
roc_curve ROC曲线指受试者工作特征曲线/接收器操作特性(receiver operating characteristic，ROC)曲线,是反映灵敏性和特效性连续变量的综合指标,是用构图法揭示敏感性和特异性的相互关系，它通过将连续变量设定出多个不同的临界值，从而计算出一系列敏感性和特异性。ROC曲线是根据一系列不同的二分类方式（分界值或决定阈），以真正例率（也就是灵敏度）（Tru
roc曲线
最新发布
09-23
### 原理 ROC曲线即受试者工作特征曲线，绘制时以假阳性率（FPR）为横轴，真阳性率（TPR）为纵轴。在不同的分类阈值下，计算相应的FPR和TPR并描点连线形成曲线。通过绘制ROC曲线，可以直观地看到模型在不同分类阈值下的性能表现。曲线的形状和AUC - ROC的值可用于评估模型在区分正例和反例时的能力，若曲线越接近左上角，并且AUC - ROC的值越接近1，那么模型的性能就越好[^2]。 ### 应用 - **二分类问题评估**：在传统的二分类场景中，ROC曲线能够直观展示模型在不同阈值下的分类性能，帮助选择合适的阈值，以平衡假阳性和真阳性的比例。 - **模型比较**：通过比较不同模型的ROC曲线及其AUC - ROC值，可以判断哪个模型在分类任务上表现更优。 ### 绘制方法 在Python中，可使用`sklearn`库进行绘制，以下是一个简单的示例代码： ```python from sklearn.datasets import make_classification from sklearn.model_selection import train_test_split from sklearn.linear_model import LogisticRegression from sklearn.metrics import roc_curve, auc import matplotlib.pyplot as plt # 生成示例数据 X, y = make_classification(n_samples=1000, n_features=10, n_informative=5, n_redundant=0, random_state=42) X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42) # 训练模型 model = LogisticRegression() model.fit(X_train, y_train) # 获取预测概率 y_score = model.predict_proba(X_test)[:, 1] # 计算ROC曲线的FPR、TPR和阈值 fpr, tpr, thresholds = roc_curve(y_test, y_score) roc_auc = auc(fpr, tpr) # 绘制ROC曲线 plt.figure() plt.plot(fpr, tpr, color='darkorange', lw=2, label='ROC curve (area = %0.2f)' % roc_auc) plt.plot([0, 1], [0, 1], color='navy', lw=2, linestyle='--') plt.xlim([0.0, 1.0]) plt.ylim([0.0, 1.05]) plt.xlabel('False Positive Rate') plt.ylabel('True Positive Rate') plt.title('Receiver operating characteristic example') plt.legend(loc="lower right") plt.show() ```
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
 
红包 添加红包
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