模型评估

1. ROC曲线

 接收器操作特性曲线(receiver operating characteristic curve)，曲线上各点反映着相同的感受性，它们都是对同一信号刺激的反应，只不过是在几种不同的判定标准下所得的结果而已。

• 概念定义：

真正（TruePositive , TP）被模型预测为正的正样本；

假负（FalseNegative , FN）被模型预测为负的正样本；

假正（FalsePositive , FP）被模型预测为正的负样本；

真负（TrueNegative , TN）被模型预测为负的负样本。

真正率（True Positive Rate ,TPR）或灵敏度（sensitivity）：

TPR = TP /（TP + FN）  （正样本预测结果数 / 正样本实际数）

假负率（False Negative Rate , FNR）：

FNR = FN /（TP + FN） （被预测为负的正样本结果数 / 正样本实际数 ）

假正率（False Positive Rate ,FPR）：

FPR = FP /（FP + TN） （被预测为正的负样本结果数 /负样本实际数）

真负率（True Negative Rate , TNR）或特指度（specificity）：

TNR = TN /（TN + FP） （负样本预测结果数 / 负样本实际数）

目标属性的被选中的那个期望值称作是“正”（positive）

 

横轴：假正率（FPR）特异度 Specificity

代表分类器预测的正中实际负例占所有比。 1-Specificity

纵轴：真正率（TP