机器学习分类器性能指标总结（附类别不平衡问题研究）_分类学习器两个指标分一类-优快云博客

本文详细介绍了ROC曲线、AUC的概念及其在分类器性能评估中的作用，强调了ROC曲线在类别不平衡问题中的局限性，并探讨了KS曲线作为补充。同时，文章还讨论了类别不平衡问题的采样方法，如过采样和欠采样，以及它们对模型性能的影响。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

一、ROC曲线

（1）定义
ROC：接收者操作特征(receiveroperating characteristic),roc曲线上每个点反映着对同一信号刺激的感受性。常用于二分类问题中的模型比较，主要表现为一种真正例率 (TPR) 和假正例率 (FPR) 的权衡。
横轴：负正类率(false postive rate FPR)特异度，划分实例中所有负例占所有负例的比例；(1-Specificity)，FPR越大，预测正类中实际负类越多
纵轴：真正类率(true postive rate TPR)灵敏度，Sensitivity(正类覆盖率)，TPR越大，预测正类中实际正类越多。
（2）分析
针对一个二分类问题，将实例分成正类(postive)或者负类(negative)。但是实际中分类时，会出现四种情况.

1、若一个实例是正类并且被预测为正类，即为真正类(True Postive TP)
2、若一个实例是正类，但是被预测成为负类，即为假负类(False Negative FN)
3、若一个实例是负类，但是被预测成为正类，即为假正类(False Postive FP)
4、若一个实例是负类，但是被预测成为负类，即为真负类(True Negative TN)
在这里插入图片描述

由上表可计算得到：
1、真正类率(True Postive Rate)TPR: TP/(TP+FN),代表分类器预测的正类中实际正实例占所有正实例的比例,即为灵敏度（Sensitivity）、召回率(Recall)
2、准确率（Precision）:TP/(TP+FP),代表分类器中预测的所有正类中实际为正类的比例
3、真负类率(True Negative Rate)：TN/(FP+TN),代表分类器预测的负类中实际负实例占所有负实例的比例，TNR=1-FPR。Spec