ROC曲线和AUC是评估二分类模型性能的重要工具，尤其在处理样本分布不均衡的问题时。ROC曲线保持不变性，即使正负样本比例变化，而AUC是ROC曲线下的面积，表示模型的分类能力。较高的AUC值意味着更好的分类性能。ROC曲线的四个关键点分别代表了完美、最差、全预测为负和全预测为正的分类情况。
模型有很多评估方法，为什么还要使用ROC和AUC呢？ 因为ROC曲线有个很好的特性：当测试集中的正负样本的分布变换的时候，ROC曲线能够保持不变。在实际的数据集中经常会出现样本类不平衡，即正负样本比例差距较大，而且测试数据中的正负样本也可能随着时间变化。
ROC全称是“受试者工作特征”（Receiver Operating Characteristic）。
ROC曲线的面积就是AUC（Area Under the Curve）。
AUC用于衡量“二分类问题”机器学习算法性能（泛化能力）。
ROC曲线，通过将连续变量设定出多个不同的临界值，从而计算出一系列真正率和假正率，再以假正率为纵坐标、真正率为横坐标绘制成曲线，曲线下面积越大，诊断准确性越高。在ROC曲线上，最靠近坐标图左上方的点为假正率和真正率均较高的临界值。
对于分类器，或者说分类算法，评价指标主要有precision，recall，F-score。下图是一个ROC曲线的示例。
ROC曲线的横坐标为false positive rate（FPR），纵坐标为true positive rate（TPR）。其中 TODO, TODO, 下面着重介绍ROC曲线图中的四个点和一条线。 第一个点，(0,1)，即FPR=0, TPR=1，这意味着FN（false
最低0.47元/天 解锁文章
469
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
