本文介绍了数据挖掘中混淆矩阵的概念，包括真正类TP、假负类FN、假正类FP和真负类TN。接着探讨了ROC曲线，解释了假正例率FPR和真正例率TPR的定义，并强调了AUC作为衡量检测方法真实性的指标，其值在0.5到1之间，AUC越高，真实性越强。实践中，作者进行了baseline方案的数据预处理步骤。
理论学习
- 混淆矩阵（Confuse Matrix）
- 若一个实例是正类，并且被预测为正类，即为真正类TP(True Positive )
- 若一个实例是正类，但是被预测为负类，即为假负类FN(False Negative )
- 若一个实例是负类，但是被预测为正类，即为假正类FP(False Positive )
- 若一个实例是负类，并且被预测为负类，即为真负类TN(True Negative )
- ROC（Receiver Operating Characteristic）
ROC空间将假正例率（FPR）定义为 X 轴，真正例率（TPR）定义为 Y 轴。
TPR：在所有实际为正例的样本中，被正确地判断为正例之比率。 T P R = T P T
最低0.47元/天 解锁文章
310
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
