数据挖掘中的指标--分类器中的ROC曲线及相关指标（ROC、AUC、ACC）

ROC又叫受试者工作特征曲线。它是用来验证一个二分类器模型的性能指标，也就是说，给出一个模型，输入一个模型，输入已知正负类的一组数据，并通过对比模型对改组数据进行的预测，衡量这个模型的性能。

相关内容如下图：

ROC曲线如何画？

1.给定一个初始阈值（一般是从0%开始）

2.根据分类结果画上图中第一个表格，然后根据上面的式子算法TPR和FPR。由TPR和FPR可以确定一个点，在图中画出

3.给一个新的阈值，并重复步骤2、3，直到阈值取到100%

4.若干个点最后组成了ROC曲线。

注意：

1.FPR=1-TNR。也是1-特异性，该指标的值越小越好

2.TPR的值越大越好

3.最大的阈值，在不考虑权重的情况下，应当是使得TPR最大且“1-特异性”指标相对较小的值

4.ROC曲线应该在y=kx之上

5.AUC的值总是大于0.5，小于1.0

6.可以通过约登指数（TPR+1-FPR）取得最大时的阈值来确定一个分类器合适的阈值

7.ACC称作“准确率”，