数据挖掘-分类器的ROC曲线及相关指标（ROC、AUC、ACC）详解

已于 2023-11-15 16:26:48 修改
阅读量2.1w 收藏 86
点赞数 14
分类专栏： 机器学习|数据挖掘|数学模型 文章标签： 数据挖掘 ROC AUC ACC 详解
于 2017-09-19 18:35:55 首次发布
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/Shenpibaipao/article/details/78033218
版权

[转载请注明来源于此：[CSDN]身披白袍's博客]

>ROC（Receiver Operating Characteristic Curve)，即受试者工作特征曲线

更新版本：对于ROC的理解还可以参考此处：[数理知识]统计决策理论——贝叶斯决策与两类错误率_贝叶斯错误率-CSDN博客

ROC曲线是用来验证一个分类器（二分）模型的性能的。其工作原理是，给出一个模型，输入已知正负类的一组数据，并通过对比模型对该组数据进行的预测，衡量这个模型的性能。

注意，“测试数据”的正负类是已知的，我们需要的是判断模型预测数据的阳性、阴性是否符合“测试数据”的事实。

在这个前提下，整个ROC曲线的内容如下图：

最低0.47元/天 解锁文章
身披白袍
关注
  • 14
    点赞
  • 踩
  • 86
    收藏
    觉得还不错? 一键收藏
  • 14
    评论
专栏目录
预测任务评价指标acc,auc
virus111222的博客
03-08 4191
1、分别表示什么TP（true positive）：表示样本的真实类别为正，最后预测得到的结果也为正；FP（false positive）：表示样本的真实类别为负，最后预测得到的结果却为正；FN（false negative）：表示样本的真实类别为正，最后预测得到的结果却为负；TN（true negative）：表示样本的真实类别为负，最后预测得到的结果也为负.
ROC(receiver operating characteristic curve)曲线绘制
08-21
ROC曲线是评价分类效果良好的常用图表，图标的纵轴为真阳性率，横轴为假阳性率，曲线越靠近左上角，分类器模型表现越好
AUC、ACC、F1、准确率、召回率
qq_44783689的博客
12-01 1万+
准确率 - accuracy 精确率 - precision 召回率 - recall F1值 - F1-score ROC曲线下面积 - ROC-AUC （area under curve） PR曲线下面积 - PR-AUC 1 、auc AUC（Area Under Curve）被定义为ROC曲线下与坐标轴围成的面积，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
受试者工作特征曲线（Receiver Operating Characteristic curve，ROC）
最新发布
weixin_43156294的博客
05-28 955
ROC分析，全称为“受试者工作特征”曲线（Receiver Operating Characteristic curve），起源于二战时期，由电子工程师和雷达工程师用于侦测战场上的敌军载具，如今在机器学习和医学诊断等领域有着广泛的应用。ROC曲线的主要功能是展示分类模型在各种阈值设置下的效能。具体来说，ROC曲线通过图形化的方式展示了模型的真正率（TPR）与假正率（FPR）之间的关系。
【机器学习】分类性能度量指标 : ROC曲线、AUC值、正确率、召回率、敏感度、特异度
自由 平等~忠诚 奉献
01-19 7万+
本文转自 http://zhwhong.ml/2017/04/14/ROC-AUC-Precision-Recall-analysis/ 在分类任务中，人们总是喜欢基于错误率来衡量分类器任务的成功程度。错误率指的是在所有测试样例中错分的样例比例。实际上，这样的度量错误掩盖了样例如何被分错的事实。在机器学习中，有一个普遍适用的称为混淆矩阵(confusion matrix)的工具，它可以帮助人们更
机器学习常用评价指标：ACC、AUC、ROC曲线
shiaiao的博客
10-06 4万+
系列文章目录 提示：这里可以添加系列文章的所有文章的目录，目录需要自己手动添加 例如：第一章 Python 机器学习入门之pandas的使用 提示：写完文章后，目录可以自动生成，如何生成可参考右边的帮助文档 文章目录系列文章目录前言一、混淆矩阵二、评价指标1.准确度（Accuracy）总结欢迎使用Markdown编辑器新的改变功能快捷键合理的创建标题，有助于目录的生成如何改变文本的样式插入链接与图片如何插入一段漂亮的代码片生成一个适合你的列表创建一个表格设定内容居中、居左、居右SmartyPants创建一
【数学建模】分类问题中的几种常见指标（二）——ROC曲线、AUC、对数损失
一只数模菜鸡的博客
05-04 2654
介绍了分类问题中的另外几种常见指标，分别为ROC曲线、AUC和对数损失，这几种指标在实际竞赛中往往更为常用。
机器学习与数据挖掘之ROC与AUC
Final Fantasy
03-24 3838
参考文献：机器学习与数据挖掘参考文献 图1 分类结果混淆矩阵 很多学习器是为测试样本产生一个实值或概率预测，然后将这个预测值与一个分类阈值进行比较，若大于阈值则分为正类，否则为反类。例如，神经网络在一般情形下是对每个测试样本预测出宇哥[0.0， 1.0]之间的实值，然后将这个值与0.5进行比较，大于0.5则判为正例，否则为反例。这个实值或概率预测结果的好坏，直接决定了学习器
roc auc acc
weixin_43282288的博客
10-16 396
ACC=(TP+TN)/(TP+TN+FP+FN); 准确率（accuracy）:所有预测值中正确的概率。不做过多介绍。 ROC与AUC 首先说一下为什么要roc，通常情况下我们得到了预测值Y_pred，我们需要设定一个阈值，大于这个阈值判为正类，小于这个阈值判为负类，一般情况可能会取0.5。 如果我们更为关注正负类别判别的质量，这个阈值就可能不是0.5，那么这个阈值怎么取，就需要借助roc曲...
利用Python画ROC曲线和AUC值计算
09-21
AUC（Area Under Curve）则是ROC曲线下的面积，用于量化分类器的性能，值越接近1表示分类器的性能越好。 ROC曲线的绘制通常包含以下步骤： 1. **计算真阳性率和假阳性率**：对于每一个可能的阈值，计算模型预测为...
GEE-绘制二元分类的特征 (ROC) 曲线、计算曲线下面积 (AUC).pdf
10-09
一个示例 GEE 脚本，用于绘制二元分类的接收者操作特征 (ROC) 曲线、计算曲线下面积 (AUC) 并找到最接近完美分类的截止点。 要计算ROC曲线，首先需要计算分类器不同阈值下的真正率（TPR）和假正率（FPR）。TPR是...
python实现二分类和多分类的ROC曲线教程
09-16
在机器学习领域，ROC曲线（Receiver Operating Characteristic Curve）是一种评估分类器性能的重要工具，尤其适用于二分类和多分类任务。ROC曲线通过绘制真正阳性率（True Positive Rate, TPR）与假阳性率（False ...
颜色分类leetcode-dsc-roc-curves-and-auc-lab:dsc-roc-curves-and-auc-lab
07-06
您的第一份工作是在数据集上训练LogisticRegression分类器，以确定蘑菇是可食用的 (e) 还是有毒的 (p)。 数据集class的第一列指示蘑菇是否有毒或可食用。 但首先， 导入数据 打印数据的前五行 打印 DataFrame 的....
【ROC曲线】ROC曲线易懂理解与多分类的理解
qq_45047062的博客
04-16 5548
ROC曲线，全称Receiver Operating Characteristic Curve（受试者特征曲线）。ROC曲线由灵敏度为纵轴，（1-特异度）为横轴绘制而成。通过绘制ROC曲线可以让读者直观地看到某指标各取值对结局指标的诊断或预测能力。其中名词解释：灵敏度(sensitivity)，即敏感度，是指筛检方法能将实际有病的人正确地判定为患者的比例。特异度(specificity)，是指筛检方法能将实际无病的人正确地判定为非患者的比例。
机器学习：ACC、ROC和AUC
fafagege11520的博客
02-04 737
机器学习：ACC、ROC和AUC 文章目录机器学习：ACC、ROC和AUC引言ROC简介如何画ROC曲线既然有了ACC为什么要有ROC呢(既生瑜何生亮呢) 引言 很多时候我们都用到ROC和AUC来评判一个二值分类器的优劣，其实AUC跟ROC息息相关，AUC就是ROC曲线下部分的面积，所以需要首先知道什么是ROC，ROC怎么得来的。然后我们要知道一般分类器会有个准确率ACC，那么既然有了ACC，为什么还要有ROC呢，ACC和ROC的区别又在哪儿，这是我喜欢的一种既生瑜何生亮问题。 最后又简单说明了一下有了RO
AUC、ROC、ACC区别
Jessica__Chan的博客
02-25 2508
很多时候我们都用到ROC（receiver operating characteristic curve，受试者工作特征曲线）和AUC(Area Under Curve,被定义为ROC曲线下的面积)来评判一个二值分类器的优劣，其实AUC跟ROC息息相关，AUC就是ROC曲线下部分的面积，所以需要首先知道什么是ROC，ROC怎么得来的。然后我们要知道一般分类器会有个准确率ACC，那么既然有了ACC，...
ROC曲线学习总结
热门推荐
忆殇D.Rose的博客
08-19 9万+
文章目录ROC曲线学习总结1. ROC曲线(Receiver Operating Characteristic)的概念和绘制2. 利用ROC曲线评价模型性能——AUC(Area Under Curve)3. 利用ROC曲线选择最佳模型3.1 不同模型之间选择最优模型3.2 同一模型中选择最优点对应的最优模型3.3 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ROC曲线在对分类问...
ROC 曲线详解
金戈鐡馬
11-12 1514
ROC 曲线是一种坐标图式的分析工具，是由二战中的电子和雷达工程师发明的，发明之初是用来侦测敌军飞机、船舰，后来被应用于医学、生物学、犯罪心理学。如今，ROC 曲线已经被广泛应用于机器学习领域的模型评估，说到这里就不得不提到 Tom Fawcett 大佬，他一直在致力于推广 ROC 在机器学习领域的应用，他发布的论文《An introduction to ROC analysis》[1]更是被奉为 ROC 的经典之作（引用 2.2w 次），
ROC 曲线讲解 （Receiver Operarating Curve）
以梦为马，不日抵达。
01-15 4056
概念 在信号检测理论中，接收者操作特征曲线（receiver operating characteristic curve，或者叫ROC曲线）是一种坐标图式的分析工具，在同一模型中设置最佳阈值。by Wikipedia ROC曲线的画法如下图所示，每个点表示不同阈值下 TP（横坐标) FP（纵坐标）的值， TP，FP的定义如下 　 　 实际值 　 　 ture 真的 false 假的 预测值 ture 真的 TP (true positive)
iris数据集，使用ROC曲线和AUC做分类评价指标
06-07
好的，针对iris数据集，使用ROC曲线和AUC来进行分类模型的评价指标如下： 1. ROC曲线 ROC曲线是用于判断二分类模型的分类能力的一种评估方法，它展示了模型在不同阈值下的真正率（True Positive Rate）和假正率（False Positive Rate）之间的关系，其中真正率等于 $TPR = \frac{TP}{TP+FN}$，假正率等于 $FPR = \frac{FP}{FP+TN}$。在ROC曲线中，横坐标为FPR，纵坐标为TPR，其图形越接近左上角，说明模型的分类能力越好。评价ROC曲线的性能通常使用曲线下面积AUC（Area Under Curve）来表示，AUC的取值范围在0.5到1之间，AUC值越接近1，代表模型的分类能力越好。 2. AUC AUC是ROC曲线下面积，是ROC曲线的一个统计量，可以用来衡量分类器的性能。AUC的取值范围在0.5到1之间，AUC值越接近1，代表模型的分类能力越好。对于iris数据集这种多分类问题，可以使用Macro-Averaging和Micro-Averaging来进行AUC的计算。 - Macro-Averaging：计算每个类别的AUC值，然后再把这些AUC值取平均作为最终的AUC值。 - Micro-Averaging：将所有的TP、FP、TN、FN加总起来，然后计算总体的TPR和FPR，再根据总体的TPR和FPR计算AUC值。 以上就是使用ROC曲线和AUC来进行分类模型评价指标的介绍，希望能对您有所帮助。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 14
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