ROC curve（Receiver operating characteristic）&& EER（Equal Error Rate）

ROC（Receiver operating characteristic）曲线是True positive rate – False positive rate曲线：

 

对于一个二分类（是/否）分类器而言，根据对测试集的分类结果得到一个（x,y）点，调整threshold阈值大小，再进行实验，就能得到新的(x,y)点。连续地调整阈值，就可以作出ROC曲线。这里的阈值是指分类器判定是或否的依据，比如两个向量的距离大于th则认为不同类，小于th则认为同类，th即为这个阈值。

显然，当th无穷大时，即全部判断是同类，那么会得到（1,1）点。当th无穷小时，即全部判断不是同类，那么会得到（0,0）点。所以，th逐渐变大，样本点会从（0,0）逐渐移动到（1,1）点。

对于随机预测（随机输出是/否），样本点会从（0,0）线性移动到（1,1）点，即样本点一直在（0,0）到（1,1）的直线上。

对于一个分类器，越靠近（0,1）点越好，说明没有负例错判成正例，同时没有正例错判成负例。同理，越靠近（1,0）点越差，说明所有负例都错判成正例，同时所有正例都错判成负例。在（0,0）-（1,1）线左上方说明该分类器优于随机猜测，右下方说明该分类器比不上随机猜测。

EER(equal error rate)是等错误率，即是true positive rate = true negative rate

所以true positive rate = true negative rate = 1 – false positive rate即ROC曲线和y=1-x即x+y=1曲线的交点的纵坐标值即为EER。考虑到th总小到大增大过程中，ROC曲线从（0,0）点到（1,1）点，所以一般情况下EER是唯一的。

下图是一个例子，括号中的数是EER：