ROC与AUC

最新推荐文章于 2024-04-23 17:56:56 发布
最新推荐文章于 2024-04-23 17:56:56 发布
阅读量424 收藏 1
点赞数
分类专栏： 机器学习

一、什么是AUC

AUC （Area Under curve）= ROC曲线下的面积
ROC曲线 模型对测试样本产生一个实值或概率预测。将样本进行排序“最可能”是正样本的排在最前面，最不可能是正例的排在最后面。按此顺序逐个把样本作为正例进行预测。横坐标是假正率，纵坐标是真正率。
这里写图片描述
这里写图片描述
这里写图片描述
这里写图片描述

二、AUC的意义

参考文献：https://www.zhihu.com/question/39840928
AUC就是从所有正样本中随机选取一个样本，从所有的负样本中随机选取一个样本。
把正样本预测为1的概率为 p1 p 1 ;把负样本预测为1的概率为 p0 p 0 。
p1>p0 p 1 > p 0 的概率就是AUC。AUC考虑的是样本预测的排序质量。
标签为1的样本都排在了标签为0的样本前面，那么AUC就是1。

可参考的文献
https://tracholar.github.io/machine-learning/2018/01/26/auc.html

三、查准率、查全率、F1 值、ROC、AUC 各自的优缺点是什么？

https://www.zhihu.com/question/30643044

csdn_lzw
关注
专栏目录
深入理解P-R曲线、ROC与AUC
⚡
05-30 2307
目录一、均方误差、精度与错误率二、查准率、查全率与F1F1F12.1 查准率（Precision）与查全率（Recall）2.2 混淆矩阵的可视化2.3 P-R曲线与BEP2.4 F1F1F1 与 FβF_{\beta}Fβ​三、ROC与AUC3.1 ROC（Receiver Operating Characteristic）3.2 AUC（Area Under roc Curve） 一、均方误差、精度与错误率 对模型的泛化性能进行评估，我们需要有衡量模型泛化能力的评价标准，这就是性能度量（Performa
一文彻底搞懂ROC曲线与AUC的概念
ibelieve8013的博客
06-15 1万+
一文彻底搞懂ROC曲线与AUC的概念1. ROC曲线的初级含义1.1 精确率和召回率1.2 ROC曲线的含义2. ROC曲线如何绘制3. ROC曲线和排序有什么关联？4. AUC和基尼系数有什么纠葛？ 1. ROC曲线的初级含义 要了解ROC的含义，必须先搞懂混淆矩阵的含义，以及精确率、召回率的含义。 1.1 精确率和召回率 对于一个分类任务的测试集，其本身有正负两类标签，我们对于这个测试集有一个预测标签，也是正负值。对于这些样本，我们的预测是否正确？有可能正样本我们预测成了负样本，负样本我们预测成了正样本
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
最新发布
weixin_66547608的博客
04-23 2793
ROC曲线（Receiver Operating Characteristic curve）和AUC（Area Under the Curve）是用于评估二分类模型性能的重要工具。 ROC曲线以真正例率（True Positive Rate，也称为召回率或灵敏度）为纵轴，假正例率（False Positive Rate）为横轴，展示了模型在不同阈值下的分类表现。ROC曲线越靠近左上角，表示模型性能越好，因为此时真正例率较高而假正例率较低。 AUC是ROC曲线下方的面积，用于量化模型的分类性能。AUC的取
一文详解 ROC/AUC
xifenglie123321的博客
03-22 2291
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标注，表示ROC(receiver operator characteristic)曲线下的面积。今天我们就和大家一起来梳理一下有关ROC/AUC的基本知识。在正式介绍ROC/AUC之前，我们还要再了解几个指标。
Keras 利用sklearn的ROC-AUC建立评价函数详解
12-17
hist = model.fit(x_train, x_label, batch_size=batch_size, epochs=epochs, validation_data=(y_train, y_label), callbacks=[RocAuc], verbose=2) ``` 除了使用回调函数进行实时监控，还可以在模型的编译阶段...
GridSearchCV ‘roc_auc‘结果和roc_auc_score不一致
VickyVivan的博客
12-03 1982
最近XGBoost调参时发现这个问题，解决后记录一下。 运行结果： 看出GridSearchCV在验证集的AUC得分0.836，和直接用roc_auc_score算出的0.680不一样，后者偏小。原因在于我这里roc_auc_score计算错误，官方文档sklearn.metrics.roc_auc_score中这样说： 正确方法应该是： 这时候就会发现和GridSearchCV在验证集的AUC得分一致了。同样的，如果使用roc_curve + auc, 也需注意这个问题，正确的调用应该是↓
机器学习（四）ROC 和 AUC
qq_21484787的博客
01-30 8811
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}
ROC 与 AUC
柯拉的博客
04-28 386
下面使用逻辑回归来解释两者之间的差别。 假设你有两种类型的老鼠，肥胖（蓝色），不肥胖（红色）。 这只老鼠不是肥胖的，虽然它比较重， 这只老鼠不算重，但它是肥胖的。 现在使用逻辑回归对数据进行拟合。 此时y轴就表示一个老鼠属于肥胖型的概率。 对于一个待预测的老鼠（黑点），逻辑回归模型告诉我们，这只老鼠属于肥胖型的概率很高。 如果待测老鼠位于下图...
ROC/AUC
hionechance的blog
08-29 297
转自https://zhuanlan.zhihu.com/p/349366045 -- 写的非常好 摘录其中的一些描述 ROC曲线用FPR和TPR分别作横纵坐标，AUC为ROC曲线下面积 FPR表示，在所有的恶性肿瘤中，被预测成良性的比例。称为伪阳性率。伪阳性率告诉我们，随机拿一个恶性的肿瘤样本，有多大概率会将其预测成良性肿瘤。显然我们会希望FPR越小越好。 TPR表示，在所有良性肿瘤中，被预测为良性的比例。称为真阳性率。真阳性率告诉我们，随机拿一个良性的肿瘤样本时，有多大的概率...
什么是ROC和AUC？一文给你讲明白
cc的博客
05-10 1万+
原文链接：https://www.cnblogs.com/gatherstars/p/6084696.html ROC曲线与AUC值 本文根据以下文章整理而成，链接： （1）http://blog.csdn.net/ice110956/article/details/20288239 （2）http://blog.csdn.net/chjjunking/article/details/5933105 1.概述 　　AUC（Area Under roc Curve）是一种用来度量分类模型好坏.
ROC曲线和AUC值
zenRRan的博客
12-15 856
每天给你送来NLP技术干货！编辑：AI算法小喵1.ROC曲线ROC曲线全称为受试者工作特征曲线（Receiver Operating Characteristic）。提到ROC曲线就要先说明一下两个概念：FPR（伪正类率），TPR（真正类率），它们都是分类任务的评测指标。1.1 TPR 、FPR对于一个二分类任务（假定为1表示正类， 0表示负类），对于一个样本，分类的结果总共有四种：类别实际为1，...
机器学习算法详解：ROC与AUC理解及应用
"ROC曲线和AUC-c是机器学习模型评估中的重要指标，尤其在分类问题中。本文将探讨这两个概念，并结合笔试和面试题目进行解答。" 在机器学习领域，模型的选择和评估至关重要，其中ROC曲线（Receiver Operating ...
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