机器学习 AUC ROC

最新推荐文章于 2025-12-04 16:26:39 发布
原创 最新推荐文章于 2025-12-04 16:26:39 发布 · 217 阅读 · 0 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#机器学习

混淆矩阵的概念：

 预测正预测反
实际正TPFN
实际反FPTN

真阳性率=TP/(TP+FN)

伪阳性率=FP/(FP+TN)

在二维空间中，横轴为伪阳性率，纵轴为真阳性率，改变算法的参数，真阳性率和伪阳性率都会发生改变，将这样的多个点串连起来，即得ROC曲线，AUC即为ROC曲线下的面积（0.5<AUC<1）

当ROC曲线为y=x时，代表将测试集中的一个样本预测为正的概率等于将该样本预测为负的概率

所以ROC曲线都在y=x的上方，且分类器的性能越好，则AUC越接近1

 

对二分类模型，假设已确定一个阈值，大于这个值预测为正，小于这个值预测为负，减小这个值，固然能够识别更多的正类，但是更多的负类也会误分类为正类，所以引入了ROC曲线，ROC曲线可以用于评价一个分类器

y_m_h
关注
【机器学习】了解 AUC - ROC 曲线
gongdiwudu的专栏
07-16 3万+
在机器学习中，性能测量是一项基本任务。因此，当涉及到分类问题时，我们可以依靠AUC - ROC曲线。
机器学习中的模型评估：ROC曲线与AUC值的深度解析
加入“Super Entity”，与全能开发团队共探AI智能体与数字人项目，开启前沿技术之旅。
03-20 2613
在机器学习项目中，评估模型的性能是确保模型有效性和可靠性的关键步骤。ROC曲线（Receiver Operating Characteristic Curve）和AUC值（Area Under Curve）是评估分类模型性能的重要工具，尤其是在处理不平衡数据集时。ROC曲线展示了模型在不同阈值下的真正例率（TPR）和假正例率（FPR），而AUC值则表示ROC曲线下的面积，用于衡量模型的整体性能。本文将从ROC曲线和AUC值的基本概念出发，通过一个完整的代码示例带你入门，并探讨其应用场景和注意事项。
机器学习基础：AUC与ROC
Sukey666666的博客
01-29 1351
ROC曲线是评估分类器分类能力的曲线，AUC是ROC曲线下与坐标轴围成的面积。
ROC曲线的理解
perfectzq的博客
05-18 5312
ROC曲线的理解和python绘制ROC曲线ROC曲线的理解考虑一个二分问题，即将实例分成正类（positive）或负类（negative）。对一个二分问题来说，会出现四种情况。如果一个实例是正类并且也被 预测成正类，即为真正类（True positive）,如果实例是负类被预测成正类，称之为假正类（False positive）。相应地，如果实例是负类被预测成负类，称之为真负类（True nega
ROC曲线是什么
pythondby的博客
12-15 8752
与 P-R 曲线相比，ROC 曲线则有更多的优点。下面就来讨论一下 ROC 曲线，以及与其密切相关的 AUC。 ROC曲线 ROC 曲线是英文“receiver operating characteristic curve”的简称，对应的中文含义是“受试者工作特征曲线”。从它略显古怪的名称可以看出，该曲线一开始并非为机器学习领域而设计的。ROC 曲线最早源于军事领域，后来逐渐应用于医学、心理学等领域。在机器学习领域内，ROC 曲线可视为混淆矩阵的改良版：通过不断调整阈值，从而给出不同...
机器学习-模型评价指标
weixin_43746811的博客
07-08 768
一、AUC（area under the curve） AUC在机器学习领域中是一种模型评估指标。 根据维基百科的定义，AUC(area under the curve)是ROC曲线下的面积。 AUC：一个正例、一个负例，预测为正的概率值比预测为负的概率值还大的可能性。 计算方法有二： 1.绘制ROC曲线，ROC曲线下面的面积就是AUC的值； 2.假设总样本有m+n个，其中正样本m个，...
【机器学习】分类性能度量指标 : ROC曲线、AUC值、正确率、召回率、敏感度、特异度
自由 平等~忠诚 奉献
01-19 7万+
本文转自 http://zhwhong.ml/2017/04/14/ROC-AUC-Precision-Recall-analysis/ 在分类任务中，人们总是喜欢基于错误率来衡量分类器任务的成功程度。错误率指的是在所有测试样例中错分的样例比例。实际上，这样的度量错误掩盖了样例如何被分错的事实。在机器学习中，有一个普遍适用的称为混淆矩阵(confusion matrix)的工具，它可以帮助人们更
一文彻底理解机器学习 ROC-AUC 指标
sdgfafg_25的博客
06-12 2万+
ROC 曲线，即接收者操作特征曲线，ROC曲线产生于第二次世界大战期间，最早用在信号检测领域，侦测战场上的敌军载具（飞机、船舰）。现在是是用来评价二分类模型性能的常用图形工具。它通过显示真阳性率（True Positive Rate，简称 TPR）与假阳性率（False Positive Rate，简称 FPR）之间的权衡来帮助我们理解模型的分类能力。AUC，即曲线下面积（Area Under Curve），是 ROC 曲线下面积的一个数值表示。它提供了一个定量的指标，用来衡量分类模型的整体表现。
机器学习-ROC曲线​​ 和 ​​AUC指标
weixin_48093379的博客
06-01 1162
​：医生应该设置一个阈值（比如0.6），把概率≥0.6的病人判定为“患病”，否则“健康”。ROC（Receiver Operating Characteristic，受试者工作特征曲线）是用来评估​。AUC（Area Under Curve，曲线下面积）是ROC曲线下的面积，范围在​。​：曲线越靠近左上角（TPR高，FPR低），模型越好。医生（模型）对每个病人给出一个​。​（比如“患病”或“健康”）。假设我们有10个病人，其中​。​的一种方法，特别是针对​。​（0~1之间的值）。​，计算不同阈值下的​。
机器学习--ROC，AUC
weixin_46361294的博客
04-07 2553
ROC曲线的意义 （1）ROC曲线能很容易的查出任意阈值对学习器的泛化性能影响 （2）有助于选择最佳的阈值。ROC曲线越靠近左上角，模型的准确性就越高。最靠近左上角的ROC曲线上的点是分类错误最少的最好阈值，其假正例和假反例总数最少 （3）可以对不同的学习器比较性能。将各个学习器的ROC曲线绘制到同一坐标中，直观地鉴别优劣，靠近左上角的ROC曲所代表的学习器准确性最高 该方法简单、直观、通过图示可观察分析学习器的准确性，并可用肉眼作出判断。ROC曲线将真正例率和假正例率以图示方法结合在一起，可准确反映某种.
ROC和AUC介绍以及如何计算AUC
wsq520521的专栏
11-18 1935
ROC和AUC介绍以及如何计算AUC June 22, 2013 ROC（Receiver Operating Characteristic）曲线和AUC常被用来评价一个二值分类器（binary classifier）的优劣，对两者的简单介绍见这里。这篇博文简单介绍ROC和AUC的特点，以及更为深入地，讨论如何作出ROC曲线图以及计算AUC。 ROC曲线 需要提前说明的是，我们这里只讨论二
ROC及AUC计算方法及原理
热门推荐
糖葫芦君的博客
07-30 8万+
1.非均衡分类问题 在大多数情况下不同类别的分类代价并不相等，即将样本分类为正例或反例的代价是不能相提并论的。例如在垃圾邮件过滤中，我们希望重要的邮件永远不要被误判为垃圾邮件，还有在癌症检测中，宁愿误判也不漏判。在这种情况下，仅仅使用分类错误率来度量是不充分的，这样的度量错误掩盖了样例如何被错分的事实。所以，在分类中，当某个类别的重要性高于其他类别时，可以使用Precison和Recall多个比...
机器学习评价指标 ROC与AUC 的理解和python实现
张渊猛的博客
08-15 2万+
本文所讲内容的前提是一个二分类的任务，多分类任务可以经过简单扩展用转化成二分类。 评估一个二分类的分类器的性能指标有：准确率、查准率（precision）、查全率（recall）、F1值以及ROC和AUC等。前面几个比较直观，而ROC和AUC相对抽象一点，本文将重点放在后者。因为本文曾一度没搞清ROC，所以这次彻底搞明白。 从混淆矩阵说起 首先一个用分类器预测完后，我们会得到一个二分类的混淆...
关于机器学习评价指标AUC，召回率，准确率（ACC），MRR的白话讲解
HaLosec_Wei
10-19 1万+
准确率（ACC） 指在分类中，使用测试集对模型进行分类，分类正确的记录个数占总记录个数的比例，计算公式如下所示： 其中，代表分类正确的记录个数，代表全部测试数据的个数   ROC曲线下方的面积大小（AUC） AUC（Area Under Curve）[3]被定义为ROC曲线下的面积，使用AUC值作为评价标准是因为很多时候ROC曲线并不能清晰的说明哪个分类器的效果更好，而作为一个数值，...
关于混淆矩阵、ROC、AUC的问题
浅笑古今的博客
09-29 1万+
相信关于混淆矩阵、ROC和AUC的问题一直困扰着大家，要想搞懂ROC和AUC，首先要明白混淆矩阵是什么。 混淆矩阵 混淆矩阵中有着Positive、Negative、True、False的概念，其意义如下： 称预测类别为1的为Positive（阳性），预测类别为0的为Negative（阴性）。 预测正确的为True（真），预测错误的为False（伪）。 对上述概念进行组合，就产生了如下的混...
机器学习周报二十四
weixin_60864619的博客
11-30 906
本周学习了潜在扩散模型的概念，潜在扩散模型的实现是很简单的，之后学习了变分自编码器(VAE)。同时解决了之前的RCNN目标检测的模型，但是效果很差。This week, I studied the concept of latent diffusion models. The implementation of latent diffusion models is quite simple. Afterwards, I learned about variational autoencoders (VAE)
【模式识别与机器学习（15）】机器学习算法-主成分分析
hiliang521的博客
12-02 823
【模式识别与机器学习（15）】主成分分析
用Python玩转GAN：让AI学会“造假”的艺术
2303_77568009的博客
12-03 1303
本项目基于PyTorch实现了生成对抗网络（GAN），用于生成手写数字图像。通过搭建生成器和判别器的卷积神经网络结构，采用对抗训练策略，成功在MNIST数据集上训练出能够生成逼真数字图像的模型。实践过程中解决了GPU环境配置、Windows多进程加载数据、网络优化等关键技术问题，最终实现了从随机噪声到清晰数字图像的端到端生成。该实践加深了对深度学习框架使用、模型训练调优及GAN原理的理解，为机器学习算法学习提供了完整案例。
当AI遇见MEMS：机器学习如何优化微振镜的控制与可靠性预测
最新发布
m0_57847742的博客
12-04 818
您认为在控制优化与可靠性预测这两个方向中，哪一项的产业化落地会更快，面临的障碍更小？
机器学习roc和auc
09-10
### 含义 ROC即接收者操作特征曲线，AUC即曲线下面积，它们是用于评估分类模型性能的重要工具，尤其适用于二分类问题，二者相辅相成，可帮助全面理解模型在不同阈值下的表现[^2]。 ### 原理 ROC曲线以假阳性率（FP）为横轴，真阳性率（TP）为纵轴绘制。中间的虚线代表模型最不好的情况，此时TP和FP相等，意味着模型完全随机分类；若曲线在虚线下边，可通过反向预测来处理；红色的线代表模型分类效果还可以，当TP>FP时，曲线越靠近左上角，模型性能越好。AUC则是ROC曲线下的面积，AUC值越大，说明模型的性能越好[^3]。 ### 应用 在机器学习领域，模型评估是确保模型性能的关键环节，ROC曲线与AUC值作为重要的评估工具，在分类任务尤其是处理不平衡数据集时发挥着不可或缺的作用[^1]。 ### 计算方法 因未给出具体计算代码相关内容，以下为Python中使用`scikit-learn`库计算ROC和AUC的示例代码： ```python from sklearn.datasets import make_classification from sklearn.model_selection import train_test_split from sklearn.linear_model import LogisticRegression from sklearn.metrics import roc_curve, auc import matplotlib.pyplot as plt # 生成示例数据 X, y = make_classification(n_samples=1000, n_classes=2, random_state=42) X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42) # 训练模型 model = LogisticRegression() model.fit(X_train, y_train) # 预测概率 y_score = model.predict_proba(X_test)[:, 1] # 计算ROC曲线的假阳性率、真阳性率和阈值 fpr, tpr, thresholds = roc_curve(y_test, y_score) # 计算AUC值 roc_auc = auc(fpr, tpr) # 绘制ROC曲线 plt.figure() plt.plot(fpr, tpr, color='darkorange', lw=2, label='ROC curve (area = %0.2f)' % roc_auc) plt.plot([0, 1], [0, 1], color='navy', lw=2, linestyle='--') plt.xlim([0.0, 1.0]) plt.ylim([0.0, 1.05]) plt.xlabel('False Positive Rate') plt.ylabel('True Positive Rate') plt.title('Receiver operating characteristic example') plt.legend(loc="lower right") plt.show() print(f"AUC值: {roc_auc}") ```
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
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
实付元
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