ROC曲线-阈值评价标准

最新推荐文章于 2024-11-30 18:24:26 发布

Rachel-Zhang

最新推荐文章于 2024-11-30 18:24:26 发布

阅读量10w+

点赞数 112

分类专栏： Computer Vision 文章标签： fp excel 工作

本文链接：https://blog.csdn.net/abcjennifer/article/details/7359370

版权

ROC曲线是评估分类器性能的工具，通过敏感性（TPR）与假正类率（FPR）的关系展示不同阈值下的表现。曲线下面积越大，诊断准确性越高。FPR表示负样本中错判为正类的比例，TPR表示正样本中正确识别的比例。ROC曲线可以帮助找到最佳的阈值平衡点。

摘要由CSDN通过智能技术生成

　ROC曲线指受试者工作特征曲线 / 接收器操作特性曲线(receiver operating characteristic curve), 是反映敏感性和特异性连续变量的综合指标,是用构图法揭示敏感性和特异性的相互关系，它通过将连续变量设定出多个不同的临界值，从而计算出一系列敏感性和特异性，再以敏感性为纵坐标、（1-特异性）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敏感性和特异性均较高的临界值。

ROC曲线的例子

　　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。如果一个实例是正类并且也被预测成正类，即为真正类（True positive）,如果实例是负类被预测成正类，称之为假正类（False positive）。相应地，如果实例是负类被预测成负类，称之为真负类（True negative）,正类被预测成负类则为假负类（false negative）。

　　列联表如下表所示，1代表正类，0代表负类。