ROC评估曲线的坑

最新推荐文章于 2025-05-14 09:14:44 发布

桓--桓

最新推荐文章于 2025-05-14 09:14:44 发布

阅读量9.6k

点赞数 2

CC 4.0 BY-SA版权

分类专栏： deeplearni

本文链接：https://blog.youkuaiyun.com/weixin_36072482/article/details/75670215

ROC曲线是评估模型性能的重要工具，涉及到True Positives, False Positives, True Negatives, 和 False Negatives等关键指标。文章介绍了TPR（真正率）、FPR（假正率）及其相关概念，并探讨了误识率与误拒率，指出它们与ROC曲线的关系。通过排序样本概率并设定阈值，可以得到不同点构成的ROC曲线，AUC则用于量化模型好坏。同时，文章提到了ROC曲线的不同表示方法和如何在MATLAB中绘制。" 111882349,10295422,理解欧拉角与万向节死锁,"['欧拉角死锁', '三维空间', '飞行控制']

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

Roc曲线有多种算法，但先普及几个基本概念：
True positives (TP) = 被模型预测为正的正样本
True negatives (TN) = 被模型预测为负的负样本
False positives (FP) = 被模型预测为正的负样本
False negatives (FN) = 被模型预测为负的正样本

TPR=TP/(TP+TN) 预测为正确的正样本的概率

FPR=FR/(FR+FN) 预测为正确的负样本的概率

TNR=TN/（TN+TP）预测为错误的正样本的概率

FNR=FN/(FN+FR) 预测为错误的负样本的概率

仔细想很容易，用起来很烧脑（可能是自己傻吧。。）

///新添加////////////////////////////////////////////////////////////////////
误识与误拒
对于一个阈值，误识是大于这个阈值的类间数。误拒是小于这个阈值的类内数。
误识率与误拒率
误识率==误识数/类间总数
误拒率==误拒数/类内总数
误识率与误拒率画出的曲线是负相关。
ROC曲线为误识率（x轴）、误拒率（y轴）。
///////////////////////////////////////////////////////////////////////////////

ROC曲线需要的数据获取方式
我们根据每个测试样本属于正样本的概率值从大到小排序。我们从高到低，依次将每个概率值作为阈值threshold，当测试样本属于正样本的概率大于或等于这个threshold时，我们认为它为正样本，否则为负样本。
每次选取一个不同的threshold，我们就可以得到一组FPR和TPR，即ROC曲线上的一点。
然后将所有的threshold的值所对应的FPR和TPR按顺序画出来==ROC曲线
（统计方法：最好对检测的正样本和负样本分别做概率直方图）

ROC画法一 <