AUC理解

  • True Negative(真正):将正类预测为正类数.
  • False Positive(假正, FP):将负类预测为正类数 →→ 误报 (TypeI error).
  • Ture Negative(真负 , TN):将负类预测为负类数.
  • False Negative(假负 , FN):将正类预测为负类数 →→ 漏报 (Type II error)

Precision:TP/(TP+FP) 预测为正类中,预测为正确的概率

Recall: TP/(TP+FN) 实际为正类中,预测为正类的概率

Accuracy:(TP+TN)/(TP+FP+TN+FN) 预测类别正确的概率

ROC曲线

    TPrate = TP/(TP+FN)

    FPrate = FP/(FP+TN)

    ROC曲线,以FPrate为横坐标,TPrate为纵坐标,画出的曲线图。

    AUC即ROC曲线之下的面积。等于0.5表示等于随机预测的结果。

    AUC的意义是衡量 分类器 将正样本预测为正的 概率 大于 将负样本预测为正的概率 的可能性。

    另一个概率学的意义是:随机选取一个正例和一个负例,分类器给正例的打分大于分类器给负例的打分的概率。

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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