机器学习之ROC曲线
roc曲线全称受试者工作曲线，ROC曲线下面积就是AUC（Area under the curve），AUC用来衡量二分类机器学习算法的性能，即泛化能力
这里有几个概念，真阳性率，假阳性率，真阴性率，假阴性率，这四个率的产生是一个相对指标，即有一个参考标准，比如一个检测方法的金标准，
我用另一种方法检测，如下图所示
| 真（预测值） | 假（预测值） | |
|---|---|---|
| 真（金标准） | 20 | 5 |
| 假（金标准） | 3 | 15 |
这个表里面我们分别来计算真阳性率和假阳性率（注意：所谓的真阳性率和假阳性率都是依据金标准来评判的）
比如真阳性率=实际预测并且正确的阳性数/真正的阳性数
=TP/（TP+FN）
=20/（20+5）
假阳性率=实际为假但是被预测为真/（实际为假但是被预测为真+真正为假并且预测为假的数）
=FP/（FP+TN）
=3/（3+15）
其中，真阳性率又叫做敏感度，真阴性率又叫特异性
所以有时候假阳性率也可以=1-真阴性率=1-特异度
总之，这里面的一切真阳性假阳性真阴性假阴性都是依据金标准来的
根据不同标准来得到不同的真阳性率，假阳性率的值，然后以假阳性率和真阳性率为横纵坐标做点，连接成折线图，就是ROC曲线
原文地址：https://www.cnblogs.com/missed-forest/p/9795221.html
时间： 2024-10-08 12:31:43