【模型评估】ROC（Receiver operating characteristic）与 AUC

前面，我们提到了混淆矩阵，以及根据混淆矩阵进一步计算得到的敏感度（召回率）、特异度、精确度、准确度、F1 Score等等。那他们的前提都是要首先确定一个截断阈值。

【模型评估】混淆矩阵（confusion_matrix）之 TP、FP、TN、FN；敏感度、特异度、准确率、精确率

这个截断阈值选取多少比较合适呢？这里就需要引入ROC曲线了，一个衡量模型整体性能的参数。

一、什么是ROC（Receiver Operating Characteristic）

在上一章计算混淆矩阵时候，我们提到：混淆矩阵的绘制严重依赖一个固定的截断阈值，大于这个阈值的是阳性，反之则是阴性。

在确定该阈值的前提下，才能确定混淆矩阵的数值，这种对模型评价方式是片面的，不够全局的，没有从整体上评价一个模型的性能。

此时，迫切需要一中评价方式，能够更加全面的对模型进行评估。既然一个截断阈值的评价是片面的，那么我尽可能的多取一些阈值，综合起来评价，那是不是就可以避免这个问题呢？于是就出现的ROC曲线，如下所示：

其中：