【机器学习】AUC和ROC

最新推荐文章于 2022-11-23 14:11:31 发布
最新推荐文章于 2022-11-23 14:11:31 发布
阅读量813 收藏
点赞数
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/cheidou123/article/details/108678989
版权

首先我们来看混淆矩阵:

在这里插入图片描述
然后，由此引出True Positive Rate（真阳率）、False Positive（伪阳率）两个概念：
在这里插入图片描述
TPRate的意义是所有真实类别为1的样本中，预测类别为1的比例
FPRate的意义是所有真实类别为0的样本中，预测类别为1的比例

ROC

ROC曲线的横轴是FPRate，纵轴是TPRate
在这里插入图片描述
当X=Y时，分类器的预测能力为0，也就是和抛硬币没区别，此时AUC为0.5

但是我们希望对一个类别为1的样本，TPRate > FPRate，知识后，我们希望AUC>0.5
，AUC的最大值就是TPRate一直是1，而FPRate是0

AUC的优点是可以在样本不平衡的情况下对分类器做出合理评级:

例如在反欺诈场景，设欺诈类样本为正例，正例占比很少（假设0.1%），如果使用准确率评估，把所有的样本预测为负例，便可以获得99.9%的准确率
但是如果使用AUC，TPRate是0，FPRate也是0，然后0,0和1,1相连，AUC是0.5

菜丸子
关注
【机器学习】了解 AUC - ROC 曲线
gongdiwudu的专栏
07-16 3万+
在机器学习中，性能测量是一项基本任务。因此，当涉及到分类问题时，我们可以依靠AUC - ROC曲线。
回归问题的置信区间AUC_戴明回归 | 两种仪器的测量结果相同吗
weixin_39883462的博客
11-21 638
戴明回归使用正交回归（也叫 Deming 回归）可以确定两种仪器或两种方法能否提供相似的测量结果。正交回归检查两个连续变量（一个响应变量 (Y) 和一个预测变量 (X)）之间的线性关系。与简单线性回归（最小二乘回归）不同，正交回归中的响应和预测变量均包含测量误差。在简单回归中，只有响应变量包含测量误差。当这两个变量包含测量误差时，如果您使用简单回归确定可比较性，则结果取决于计算过程假设哪个变量没有...
AUC和ROC
lc574260570的博客
08-13 471
AUC（Area Under Curve）被定义为ROC曲线下的面积，显然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。使用AUC值作为评价标准是因为很多时候ROC曲线并不能清晰的说明哪个分类器的效果更好，而作为一个数值，对应AUC更大的分类器效果更好。 这句话有些绕，我尝试解释一下：首先AUC值是一个概率值，当你随机挑选一个正样...
机器学习-AUC/ROC
wangyj705的专栏
10-12 639
1.ROC 接收者操作特征曲线（receiver operating characteristic curve，或者叫ROC曲线） ROC空间将伪阳性率（FPR）定义为 X 轴，真阳性率（TPR）定义为 Y 轴。 TPR：在所有实际为阳性的样本中，被正确地判断为阳性之比率。 FPR：在所有实际为阴性的样本中，被错误地判断为阳性之比率。 给定一个二元分类模型和它的阈值，就能从所有样...
机器学习（四）ROC 和 AUC
qq_21484787的博客
01-30 1511
ROC 和 AUC AUC是一种模型分类指标，且仅仅是二分类模型的评价指标。AUC是Area Under Curve的简称，那么Curve就是ROC（Receiver Operating Characteristic），翻译为"接受者操作特性曲线"。 ROC 曲线由两个变量TPR和FPR组成，这个组合以FPR对TPR，即是以代价(costs)对收益(benefits)。 x轴为假阳性率（FPR）：在所有的负样本中，分类器预测错误的比例 FPR=FPFP+TNFPR = \frac {FP}{FP+TN}
详解ROC/AUC计算过程
热门推荐
ybdesire的专栏
07-22 5万+
ROC和AUC的详细计算过程
ROC和AUC
qinlingheshang的博客
03-11 2304
ROC概念 在信号检测理论中，接收者操作特征曲线，或者叫ROC曲线（Receiver operating characteristic curve），用于选择最佳的信号侦测模型、舍弃次佳的模型或者在同一模型中设置最佳阈值。最近在机器学习领域也得到了很好的发展。 ROC分析的是二元分类模型，也就是输出结果只有两种类别的模型，例如（阴性/阳性），（垃圾邮件/非垃圾邮件） 混淆矩阵 ROC 空间 ROC空间将伪阳率（FPR）定义为X轴，将真阳率（TPR）定义为y轴，从(0,0)到(1,1)的对角线将ROC空间划
机器学习部分：ROC和AUC:
wyqwilliam的博客
08-17 1272
ROC(Receiver Operating Characteristic)曲线和AUC(Area Under the Curve)值常被用来评价一个二值分类器(binary classifier) 的优劣。 ROC曲线是以假阳性率FPR为横轴，以真阳性率TPR为纵轴的一个曲线图像。图像中的每一点是一个分类阈值，根据一些连续的分类阈值可以得到ROC的图像，如下图：有20个样本，其中真实正例有10...
机器学习01-详细阐述Auc,Roc
qq_31766023的博客
01-11 396
混淆矩阵中准确率，精准率，召回率区别https://blog.csdn.net/abc_xian/article/details/106908517 刚才分析的是二分类问题，那么对于多分类问题，混淆矩阵表示的含义也基本相同，这里我们以三类问题为例，看看如何根据混淆矩阵计算各指标值。 多分类混淆矩阵 与二分类混淆矩阵一样，矩阵行数据相加是真实值类别数，列数据相加是分类后的类别数，那么相应的就有以下计算公式; 精确率_类别1=a/(a+d+g)召回率_类别1=a/(a+b+c) 假设下图红..
机器学习中ROC曲线和AUC评估指标
weixin_57038791的博客
11-23 3199
ROC全称是接受者操作特性曲线（receiver operating characteristic curve）。AUC（Area Under the Curve）ROC曲线下的面积，用于衡量“二分类问题”机器学习算法的性能。对此，为了定义ROC曲线，首先我们由混淆矩阵引入“真正例率”（True Positive Rate，简称TPR）和“假正例率”（False Postive Rate，简称FPR）。
利用Python画ROC曲线和AUC值计算
09-21
ROC曲线（Receiver Operating Characteristic Curve）是评估...在机器学习项目中，我们常常使用这些工具来比较不同模型的效果，从而选择最优模型进行部署。同时，优化计算过程，提高效率也是实际操作中不可忽视的一环。
机器学习评价指标AUC_ROC
weixin_43896774的博客
07-15 1709
1.机器学习常见评价指标 为什么要用AUC作为二分类模型的评价指标呢？为什么不直接通过计算准确率来对模型进行评价呢？答案是这样的：机器学习中的很多模型对于分类问题的预测结果大多是概率，即属于某个类别的概率，如果计算准确率的话，就要把概率转化为类别，这就需要设定一个阈值，概率大于某个阈值的属于一类，概率小于某个阈值的属于另一类，而阈值的设定直接影响了准确率的计算。使用AUC可以解决这个问题，接下来详...
ROC与AUC
wuxiaosi808的博客
09-01 713
今天电面的时候问到AUC，答得不好，其实是知道的，就是说不出来，然后看西瓜书和网上找资料来整理一下，不能一个坑里掉进去两次，不总结下次碰到不会就是活该，怪不得别人。 很多学习器是为测试样本产生一个实值或者概率预测，然后将这个预测值与一个分类阈值进行比较，如果大于阈值则分为正类，否则分为负类。这个实值或者概率预测结果的好坏，直接决定了学习器的泛化能力。实际上，根据这个实值或者概率预测结果，我们可以
ROC 以及AUC
mogebuyi的博客
07-04 574
1.概述　　ROC（Receiver Operating Characteristic）曲线和AUC常被用来评价一个二值分类器（binary classifier）的优劣，对两者的简单介绍见这里。这篇博文简单介绍ROC和AUC的特点，以及更为深入地，讨论如何作出ROC曲线图以及计算AUC。      AUC（Area Under roc Curve）是一种用来度量分类模型好坏的一个标准。这样的标准...
【机器学习】ROC曲线和AUC面积
敲代码的quant的博客
11-26 2676
ROC曲线的横坐标轴是FPR（False Positive Rate），纵坐标轴是TPR（True Positive Rate），对应于下面的混淆矩阵（fusion matrix）： TPR=TPTP+FNTPR = \frac{TP}{TP+FN}TPR=TP+FNTP​ FPR=FPFP+TNFPR = \frac{FP}{FP+TN}FPR=FP+TNFP​ 可以看出TPR和FPR分别是TP...
关于ROC和AUC
a6840231的博客
05-24 242
介绍ROC曲线和AUC，下面这篇博客是我看到的解释得最好的一篇： https://www.douban.com/note/284051363/ 下面这篇则介绍了在ROC图上不同位置的点有什么意义（见其章节2.3 ROC的图形化表示）： https://www.cnblogs.com/gatherstars/p/6084696.html 下面这两篇博客有二分类和多分类问题的ROC曲线的实现代码示例：...
如何理解机器学习中的AUC和ROC
猫敷雪
11-21 468
首先，在试图弄懂AUC和ROC曲线之前，我们需要理解混淆矩阵的定义。 混淆矩阵中有着Positive、Negative、True、False的概念，其意义如下： 称预测类别为1的为Positive（阳性），预测类别为0的为Negative（阴性）。 *预测正确的为True（真），预测错误的为False（伪）。对上述概念进行组合，就产生了如下的混淆矩阵： 然后，由此引出True Positive...
长春人文学院在河北2021-2024各专业最低录取分数及位次表.pdf
最新发布
09-16
全国各大学在河北2021-2024年各专业最低录取分数及录取位次数据，高考志愿必备参考数据
机器学习算法详解：ROC与AUC理解及应用
模型评估除了ROC和AUC-c之外，还包括其他指标，如准确率、精确率、召回率和F1分数等。在实际应用中，需要根据具体业务需求选择合适的评估标准。例如，对于医疗诊断系统，可能更关注降低假阳性率，而对于垃圾邮件过滤...
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