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曲线是评估二分类模型性能的重要指标,通过绘制真阳性率(TPR)与假阳性率(FPR)的关系曲线来衡量模型效果。ROC曲线的绘制涉及阈值变化,AUC值反映了ROC曲线下的面积,通常AUC大于0.9表示分类器有效。同时,准确率(ACC)也是评估指标之一,表示正确分类样本的比例。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

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”,

评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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