本文结构:
- 什么是 ROC?
- 怎么解读 ROC 曲线?
- 如何画 ROC 曲线?
- 代码?
- 什么是 AUC?
- 代码?
ROC 曲线和 AUC 常被用来评价一个二值分类器的优劣。
先来看一下混淆矩阵中的各个元素,在后面会用到:
1. ROC :
纵轴为 TPR 真正例率,预测为正且实际为正的样本占所有正例样本的比例。
横轴为 FPR 假正例率,预测为正但实际为负的样本占所有负例样本的比例。
对角线对应的是 “随机猜想”
当一个学习器的 ROC 曲线被另一个学习器的包住,那么后者性能优于前者。
有交叉时,需要用 AUC 进行比较。