评价标准—ROC & AUC

最新推荐文章于 2024-06-11 21:00:00 发布
最新推荐文章于 2024-06-11 21:00:00 发布
阅读量1.1w 收藏 11
点赞数 2
分类专栏： 其他 文章标签： 标准 ROC-AUC
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。
本文链接：https://blog.csdn.net/Csuriwolf/article/details/79143548
版权
ROC曲线，全称为受试者工作特征曲线，用于评价二分类模型的性能。其纵轴表示真阳性率，横轴表示假阳性率。AUC是ROC曲线下的面积，用于衡量分类效果，AUC值越接近1，表示模型性能越好。ROC曲线不受正负样本分布影响，而 Precision-Recall 曲线则会受到样本不平衡的影响。LROC和FROC是ROC方法的补充，分别用于曲线分段比较和多异常评价。
摘要由CSDN通过智能技术生成

1、ROC曲线定义与分析

  ROC曲线：受试者工作特征曲线 （receiver operating characteristic curve），又称感受性曲线（sensitivity curve），得此名的原因在于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。
  纵轴：真阳性率（True positive rate、敏感性）-收益
  横轴：假阳性率（False positive rate、误诊率=1-特异性）-代价
  针对二分类问题，将实例分为正类（positive）或负类(negative)，在实际分类时，会出现四种情况（混淆矩阵）：

这里写图片描述

 （1）真阳性率（True positive rate、敏感度sensitivity、Recall）：TPR=TP/(TP+FN),即分类器预测的正确的正实例占所有正实例的比值。
 （2）真阴性率（True negative rate、特异度specifici

最低0.47元/天 解锁文章
Csuriwolf
关注
  • 2
    点赞
  • 踩
  • 11
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
ROC曲线下面积为什么越大越好 （TPR FPR）
今天你学习了吗？
03-27 3724
表格： 预测成正例 预测成反例 加和含义 统计量 正例 TP FN TP + FN 表示实际数据集中正样本的数量 召回率 TPR=TP/(TP+FN) 反例 FP TN FP + TN 表示实际数据集中负样本的数量 FPR= FP/(FP+TN) 加和含义 TP + FP 表示预测的正类样本数 FN + TN 表示预测的负类样本数 TP + FN + FP + TN 表示样本总数 统计...
Keras 利用sklearn的ROC-AUC建立评价函数详解
09-16
### Keras 利用sklearn的ROC-AUC建立评价函数详解 #### 一、引言 在机器学习项目中，模型的评估是非常重要的一个环节。对于分类问题而言，除了常用的准确率（Accuracy）之外，ROC曲线下的面积（Area Under the ...
机器学习基础：AUC与ROC
Sukey666666的博客
01-29 902
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曲线与AUC值
weixin_30872789的博客
11-21 1544
本文根据以下文章整理而成，链接： （1）http://blog.csdn.net/ice110956/article/details/20288239 （2）http://blog.csdn.net/chjjunking/article/details/5933105 1.概述 　　AUC（Area Under roc Curve）是一种用来度量分类模型好坏的一个标准。这样的...
算法金 | 一文彻底理解机器学习 ROC-AUC 指标
最新发布
算法金「全网同名」的博客
06-11 1175
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。
一文理清楚，准确率，精度，召回率，真正率，假正率，ROC/AUC
weixin_44467105的博客
02-14 2272
一.混淆矩阵 如上图为一个混淆矩阵， True Positive （真正, TP）被模型预测为正的正样本； True Negative（真负 , TN）被模型预测为负的负样本 ； False Positive （假正, FP）被模型预测为正的负样本； False Negative（假负 , FN）被模型预测为负的正样本； 相对应的， True Positive Rate（真正率 , TPR）或灵...
机器学习的评估指标：ROC/AUC
qq_37692302的博客
03-18 806
机器学习：ROC/AUC作为机器学习的评估指标非常重要，也是面试中经常出现的问题（80%都会问到）。其实，理解它并不是非常难，但是好多朋友都遇到了一个相同的问题，那就是：每次看书的时候都很明白，但回过头就忘了，经常容易将概念弄混。还有的朋友面试之前背下来了，但是一紧张大脑一片空白全忘了，导致回答的很差。 我在之前的面试过程中也遇到过类似的问题，我的面试经验是：一般笔试题遇到选择题基本都会考这个率...
利用Python画ROC曲线和AUC值计算
12-23
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。这篇文章将先简单的介绍ROC和AUC，而后用实例演示如何python作出ROC曲线图以及计算AUC。 AUC介绍 AUC...
svm.rar_AUC_ROC AUC_ROC和Auc_svm roc_支持向量机
09-24
ROC_AUC是针对二分类问题的评价标准，可以度量分类器在不同阈值下的整体性能。而AUC_SVM则是特指SVM模型的AUC值，反映了SVM模型在分类任务中的表现。 在提供的压缩包文件中，我们有三个源代码文件：svm.cpp、main....
auc.zip_AUC_auc java_roc curve
09-23
AUC（Area Under the Curve）是评估分类模型性能的一个重要指标，特别是在二分类问题中。它基于ROC曲线（Receiver Operating Characteristic Curve）...同时，要记得AUC只是众多评价标准之一，应结合实际情况综合考虑。
机器学习之评价指标AUC的意义
AndyJ的学习之旅
09-09 5426
参考 概要 在互联网的排序业务中，比如搜索、推荐、广告等，AUC（Area under the Curve of ROC）是一个非常常见的评估指标。 AUC的理解 一般有两大类解释，一种是基于ROC线下面积，需要理解混淆矩阵，包括精确率、召回率、F1 值、ROC等指标的含义。另外一种是基于概率的解释，模型的排序能力。 AUC的排序特性 对比accuracy、precision等指标，AUC指标本身和模型预测score绝对值无关，只关注排序效果，因此特别适合排序业务。 为何与模型预测score值无关为何是很好
sklearn学习：roc_auc曲线和 metrics.roc_auc_score
ninnyyan的博客
06-06 3万+
1.概念 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。 AUC（Area Under Curve）被定义为ROC曲线下的面积，显然这个面积的数值不会大于1。又由于ROC曲线一般都处于y=x这条直线的上方，所以AUC的取值范围在0.5和1之间。使用AUC值作为评价标准是因为很多时候...
auc到多少有意义_怎么直观理解ROC AUC的概率统计意义？
weixin_39934063的博客
12-22 608
首先要清楚二元分类的过程。一般是先对每个数据点计算一个score $x$，可以是这个点属于positive的概率，也可以是其他。一般来说是$x$越大，越可能是positive。把所有positive/negative的score的直方图画出来，如下图的两个概率分布函数$f_1(x)$, $f_0(x)$。然后人为设定一个threshold $T$，当$x>T$判断为positive，否者为n...
auc到多少有意义_如何直观理解AUC评价指标？
weixin_39753616的博客
12-22 1493
如何直观理解AUC评价指标？导语最近一直在思考如何直观理解AUC，查了维基百科的以及网上的讲解描述，感觉仍然很难把这个概念表述得通俗易懂，直到昨天周会后拿笔在纸上画了画，感觉似乎找到了一种比较有意思的理解方法，下面就请各位看官容我慢慢道来。首先简单介绍一下什么是AUC。根据维基百科的描述，AUC(AreaundertheCurveofROC)是ROC曲线下方的面积，是判断二分类预测模型优...
AUC（ROC曲线下方的面积大小）
weixin_44039930的博客
12-17 2425
AUC（Area Under Curve）被定义为ROC曲线下与坐标轴围成的面积，显然这个面积的数值不会大于1。又由于ROC曲线一般都处于y=x这条直线的上方，所以AUC的取值范围在0.5和1之间。AUC越接近1.0，检测方法真实性越高;等于0.5时，则真实性最低，无应用价值。 ...
一文理解Ranking Loss/Contrastive Loss/Margin Loss/Triplet Loss/Hinge Loss
机器学习杂货铺1号店
01-15 1万+
一文理解Ranking Loss/Contrastive Loss/Margin Loss/Triplet Loss/Hinge Loss 翻译自FesianXu， 2020/1/13, 原文链接 https://gombru.github.io/2019/04/03/ranking_loss/ 前言 ranking loss在很多不同的领域，任务和神经网络结构（比如sia...
AUC越大，正确率就越高？
热门推荐
LegenDavid's warehouse
01-15 3万+
问题   近日，一位朋友拿着两个模型预测效果比较的结果来咨询，当然是遇到了一个好像不太正常的现象才来咨询的。两个模型都是二分类结局的，应用常见的Logistic回归模型得到结果如下：模型A的正确率为85%，AUC为0.98；模型B的正确率为93%，AUC为0.92。那么选择哪个模型呢？ 很多朋友首先应该会质疑方法使用的正确性，不过出现这个问题的可能性很小，我们假设方法是正确
ROC曲线下面积的相关计算和检验
→★佐佑思维★←
12-28 1万+
《ROC曲线下面积的计算方法》 1、ROC曲线的含义 2、ROC曲线下面积的估计：双正态参数法 3、AUC的最大似然估计 4、面积的置信区间估计 5、delta方法 6、AUC非参数检验结合实例理解检验过程 ROC是受试者工作特征（Receiver Ope rating Characteristic）的缩写。ROC曲线及ROC曲线下面积可作为某一诊断方法准确性评价的指标；通过对同一疾病的多种诊断试验分析比较，这些指标可帮助临床医生筛选出最佳诊断方案。国内外许多学者通过对不同类型资料进行研究，相继提出了ROC
模型性能评价指标之AUC
songbinxu的博客
04-11 1万+
模型性能评价指标之AUC 一、准确率和召回率 1.1 定义 在讨论ROC之前，先介绍准确率（Precision）和召回率（Recall）的概念。 - 预测+ 预测- 真实+ TP（真正例） FN（假反例） 真实- FP（假正例） TN（真反例） 准确率P的意义是，预测为+的样本里，真实label为+的样本比例 P=T...
roc和auc怎么评价指标的
09-17
ROC（Receiver Operating Characteristic）曲线和AUC（Area Under the Curve）是用于评价分类模型性能的指标。 ROC曲线是描述分类器在不同阈值下，真阳率（True Positive Rate，TPR）与假阳率（False Positive Rate，FPR）之间的关系曲线。ROC曲线横坐标是FPR，纵坐标是TPR。分类器的预测结果用一个连续的概率值表示，通过改变分类的阈值可以得到不同的TPR和FPR，在ROC曲线上显示出不同的点。ROC曲线越靠近左上角，即越接近向(0,1)移动，表示分类器的性能越好。当ROC曲线位于对角线的上方时，分类器的性能优于随机猜测。 AUC指的是ROC曲线下的面积，可以理解为ROC曲线与坐标轴围成的面积。AUC的取值范围是0到1之间，越接近1表示分类器的性能越好，越接近0.5表示分类器的性能越差（类似于随机猜测）。AUC的计算可以通过数值积分或者金斯伯格-莫尔根曼二分法（Gini index）进行估计。 通过ROC曲线和AUC指标，我们可以综合评价分类模型的性能。当我们需要在不同分类器之间进行比较时，可以直接比较它们的AUC值，AUC较大的分类器性能更优。同时，ROC曲线可以提供更详细的性能评估信息，尤其是在不同阈值下的分类效果。对于具体应用场景，可以根据具体需求选择适合的分类器和阈值，以更好地权衡模型的召回率和准确率，并实现最佳的性能。
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