机器学习实战(基于scikit-learn和TensorFlow)学习心得(15)--Receiver Operator Characteristic

最新推荐文章于 2022-04-24 16:57:22 发布
最新推荐文章于 2022-04-24 16:57:22 发布
阅读量342 收藏
点赞数
分类专栏： 机器学习实战学习心得 文章标签： python 机器学习 深度学习
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/Tomswordyan/article/details/104617840
版权

从定义上来讲,ROC(Receiver Operator Characteristic)是
以TPR = TP / (TP + FN) = Recall为x轴，FPR = FP / (FP + TN)为y轴做的图相。
翻译成中文来说就是假设我们要从一堆图片中找到5这个数字的图片. TPR就是正确识别出5的图片数量除以所有5的数量.FPR就是被误以为是5但其实并不是5的图片的数量除以总的不是5的图片的数量.
那么一个典型的ROC曲线就是
在这里插入图片描述
为了更好的理解这条曲线,我们考虑极端情况,当我们的系统是完美的时候,我们识别出来了所有的5和非5,那么在这种情况下FPR=0 TPR=1
但是当我们的模型就是垃圾,他把所有的图片都识别为5时TPR=1,FPR=1.所以一个完美的模型的ROC应该是
在这里插入图片描述
注意就算是完美的模型如果我们持续降低我们判断的阈值也会使FPR升高.所以一个系统的好坏应该看的是ROC曲线的左上角有多块到达一个比较高的值,换句话说就是ROC曲线一开始的斜率高的模型是好模型.

带刀的骑士
关注
  • 0
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
机器学习实战(用Scikit-learn和TensorFlow进行机器学习)(二)
02-24
本文来自于csdn，本文章主要对真实数据（csv表格数据）的查看以及如何正确的分开训练测试集进行实战操作，希望对您的学习有帮助。５、查看训练集的特征图像信息以及特征之间的相关性上一节粗略地查看了数据的统计...
Receiver Operating Characteristic(ROC)
weixin_38395903的博客
10-25 3091
Receiver Operating Characteristic(ROC)
ROC（Receiver Operating Characteristic）曲线简介
qrlhl的博客
12-07 1万+
最近在看一些医学和机器学习结合的论文，这些论文里面评价分类器的分类性能最常用的指标之一就是ROC曲线。同时我也注意到在一些涉及到实际应用的场景中，ROC曲线出现的频率也很高。鉴于以上原因，接下来我就对ROC曲线进行一下简单的介绍。           首先我们先考虑一下平时我们常用的度量分类模型分类能力的标准。现在称霸ML界的标准：分类精度（accuracy）想必大家都不陌生，但是对于一些实际
【Python3机器学习算法应用与练习(基于scikit-learn)】10-评价分类结果
edc3001的博客
11-16 741
分类性能量度（Classification-Performance-Measures） 一、准确度的陷阱和混淆矩阵 1、准确度的陷阱 对于回归任务，我们前面介绍了均方误差，均方根误差，平均绝对误差，R²误差。但是对于分类任务，我们仅仅介绍了分类准确度这一种评价标准，实际上该评价标准是存在很大问题的，因此我们本章进一步介绍各种分类性能度量。 首先，我们介绍一下分类准确度可能存在的问题即陷阱： 2、混淆矩阵 在引入其他各种分类指标前，我们首先介绍一个工具：混淆矩阵。 对于一个分类算法来说，
ROC曲线(Receiver Operating Characteristic Curve)
guifeng93的博客
07-08 5780
原文：http://blog.sina.com.cn/s/blog_531bb7630100v4ny.html （一） 分类模型尝试将各个实例（instance）划归到某个特定的类，而分类模型的结果一般是实数值，如逻辑回归，其结果是从0到1的实数值。这里就涉及到如何确定阈值（threshold value）,使得模型结果大于这个值，划为一类，小于这个值，划归为另一类。 考虑一个二分
Receiver Operating Characteristic(ROC) Curve and Area Under Curve(AUC)
joeland209的博客
03-14 5577
AUC是一个用于评估分类好坏的方法，其与ROC是相关联的(就是代表ROC曲线下面的面积，如下图所示的阴影部分)。分类的效果越好，ROC曲线越靠上，AUC的值越大。AUC值一般是在0.5到1之间浮动，如果AUC小于0.5，代表模型的精准度甚至不如瞎猜(瞎猜是0.5)，同理，如果AUC等于1，则表明分类精度达到100%。     假设AUC的值是0.8，我们可以解读为：随机选择一个数据，有80%的机
机器学习实战(用Scikit-learn和TensorFlow进行机器学习)(一)
02-24
Scikit-learn集成了很多机器学习需要使用的函数，学习Scikit-learn能简洁、快速写出机器学习程序。并且通过代码更加深入的了解机器学习模型，学习如何处理数据，如何选择模型，如何选择和调整模型参数。1、推荐安装...
机器学习实战：基于Scikit-Learn、Keras和TensorFlow
最新发布
12-28
机器学习实战：基于Scikit-Learn、Keras和TensorFlow 机器学习实战：基于Scikit-Learn、Keras和TensorFlow 机器学习实战：基于Scikit-Learn、Keras和TensorFlow 机器学习实战：基于Scikit-Learn、Keras和TensorFlow ...
ROC曲线(Receiver Operating Characteristic Curve) 的解释
pandav5的专栏
09-13 3211
再说明这个概念之前，我们先举一个例子。 考虑一个二分问题，即将实例分成正类（positive）或负类（negative）。对一个二分问题来说，会出现四种情况。 1、如果实例是正类被预测成正类，称之为真正类（True positive）。TP 2、如果实例是负类被预测成正类，称之为假正类（False positive）。FP 3、如果实例是负类被预测成负类，称之为真负类（True negat
Plotting a receiver operating characteristic（ROC）
u013096864的博客
04-19 309
Receiver operator characteristic (ROC) graphs are useful tools for selecting models for classifcation based on their performance with respect to the false positive and true positive rates, which are
如何理解误识率（FAR）拒识率（FRR），TPR,FPR以及ROC曲线
热门推荐
aoanng的博客
06-01 7万+
平时在做指纹、人脸识别时，会用到一些评价算法性能评价指标。常见的当属以下几种指标： 误识率（FAR，false acceptance rate） 拒识率（FRR，false rejection rate） ROC曲线（Receiver Operator characteristic Curve） 其中误识率与拒识率的就算公式如下： 说白一些，假定在指纹匹配识别过程中： 误识率（FAR）是指在标准
python sklearn画ROC曲线
无限大地NLP_空木的专栏
04-17 5万+
preface：最近《生物信息学》多次谈到AUC，ROC这两个指标，正在做的project，要求画ROC曲线，sklearn里面有相应的函数，故学习学习。 AUC: ROC: 具体使用参考sklearn: http://scikit-learn.org/stable/modules/generated/sklearn.metrics.roc_curve.html http://sciki
论文分析与讲解思路(2)--PGCN
xianghu_5的博客
04-24 1990
题目： PGCN：Disease gene prioritization by disease and gene embedding through graph convolutional neural networks Abstract: 包括动机和结果说明。---动机：候选基因的适当优先排序对于一系列遗传病的基于基因组的诊断至关重要。 ---结果：本文提出--PGCN--通过系统嵌入由基因、疾病和他们的个体特征绘制成的异构网络 。其性能对比于现有的方法有显著提升。 1,Introduction
深度理解受试者工作特征(ROC)曲线
→★佐佑思维★←
12-23 1万+
目录1、分类结果混淆矩阵举例：2、ROC举例：3、AUC4、Python代码 我们通常使用ROC和AUC来衡量分类算法在二分类问题上表现的好坏。 参考：https://zhuanlan.zhihu.com/p/46438528 1、分类结果混淆矩阵 在二分类问题上，可将样例根据其真实类别和分类模型预测的类别分为如下四种（1表示类别为真，0表示类别为假）: 真正例TP(true postive)：样本真实类别为1，学习模型预测的类别也为1； 假正例FP(false postive)：样本真实类别为0，学习模
1万字说清楚Receiver Operating curve(ROC) 受试者操作特征曲线
fulk6667g78o8的专栏
07-25 2967
我是Toby，最近正在原创????「python风控模型_评分卡」系列话题，欢迎订阅。最后给大家分享100G免费资料领取，包括python入门，数据分析，包括数据分析、统计学、数据挖掘、机器学习等知识。在公众号「python风控模型」里回复关键字：学习资料，就可免费领取。概述AUC(area under the curve)是机器学习领域中一种常见且重要的模型评估指标，用于计算二元分类器效率的方法。AUC表示ROC(receiver operator characteristic)曲线下的面积，即AUC&n
机器学习 模型评估方法（分类问题）
YUN_L_I的博客
09-16 895
1、错误率和精度 错误率： 精度： 2、查准率、查全率 例如在信息检索任务中： （1）检索出的信息中有多少比例是用户感兴趣的 ==> 查准率 precision （2）用户感兴趣的信息中有多少被检索出来 ==> 查全率 recall 按真实类别与预测类别分为： 真正例（True Precision）TP 假正例（False Precisi...
ROC曲线理解
写IT博客的我，读math博客的你
05-15 1万+
ROC（receiver operator characteristic curve, ROC）曲线：即受试者工作特征曲线，是反映敏感度和特异度连续变量的综合指标，用作图法展示两度之间的关系。作图方法：在相关临床研究报告中，若有一个ROC曲线图，将会给人深刻印象，具体做法是：实验结果为计量资料即连续变量，至少计算5个临界点的指标，以敏感度（真阳性率）为Y轴，1-特异度（假阳性率）为X轴，将各点连成...
Python深度学习与机器学习实战：Scikit-Learn与TensorFlow应用
"《Hands-On Machine Learning with Scikit-Learn and TensorFlow》由Aurélien Géron撰写，是一本深入探讨Python环境下使用Scikit-Learn和TensorFlow进行机器学习与深度学习实践的书籍。本书旨在帮助读者构建智能...
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