ROCR包中ROC曲线计算是取大于cutoff还是大于等于cutoff

最新推荐文章于 2024-03-24 11:46:39 发布

转载最新推荐文章于 2024-03-24 11:46:39 发布 · 1.2k 阅读

2 ·

CC 4.0 BY-SA版权

原文链接：http://www.cnblogs.com/ywliao/p/11238994.html

文章标签：

#python #r语言 #人工智能

本文介绍了一种计算未标准化ROC曲线的方法。通过预测值排序并累积计算真阳性率，该过程详细展示了如何确定不同阈值下的真阳性(TP)与假阳性(FP)数量。对于理解分类器性能具有重要意义。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

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, decreasing = TRUE)
    predictions.sorted <- predictions[pred.order]
    tp <- cumsum(labels[pred.order] == pos.label)
    fp <- cumsum(labels[pred.order] == neg.label)
    dups <- rev(duplicated(rev(predictions.sorted)))
    tp <- c(0, tp[!dups])
    fp <- c(0, fp[!dups])
    cutoffs <- c(Inf, predictions.sorted[!dups])
    return(list(cutoffs = cutoffs, fp = fp, tp = tp))
}

可以看到先按从大到小排序，再累计当前位置和之前位置的阳性值。因此计算TP,TN等指标时，取的是大于等于cutoff

转载于:https://www.cnblogs.com/ywliao/p/11238994.html