Understanding AUC - ROC Curve

在机器学习中，性能测量是一项重要任务。 因此，当涉及到分类问题时，我们可以依靠AUC - ROC曲线。 当我们需要检查或可视化多类分类问题的性能时，我们使用AUC（曲线下面积）ROC（接收器操作特性）曲线。 它是检查任何分类模型性能的最重要的评估指标之一。 它也被写为AUROC（接收器工作特性下的区域）

本博客旨在回答以下问题：
1.什么是AUC - ROC曲线？

2.定义AUC和ROC曲线中使用的术语。

3.如何推测模型的性能？

4.灵敏度，特异性，FPR和阈值之间的关系。

5.如何使用AUC-ROC曲线进行多类模型？

• What is AUC - ROC Curve?

AUC - ROC曲线是在各种阈值设置下的分类问题的性能测量。 ROC是概率曲线，AUC表示可分离性的程度或度量。 它告诉我们有多少模型能够区分类。 AUC越高，模型越好，将0预测为0，将1预测为1。 通过类比，AUC越高，模型越好区分疾病患者和无疾病患者。

用TPR对FPR绘制ROC曲线，其中TPR在y轴上，FPR在x轴上。