很多时候我们都用到
ROC
和
AUC
来评判一个二值分类器的优劣,其实
AUC
跟
ROC
息息相关,
AUC
就是
ROC
曲线下部分的面积。
既然有了ACC为什么要有ROC呢(既生瑜何生亮呢)
我们知道,我们常用ACC准确率来判断分类器分类结果的好坏,既然有了ACC为什么还需要ROC呢,很重要的一个因素是实际的样本数据集中经常会出现数据偏斜的情况,要么负类样本数大于正类样本数,要么正类样本数大于负类样本数。
既然有了ROC为什么要有AUC呢(既生瑜何生亮呢)
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,而相对于AUC是个数值而言,对应AUC更大的分类器效果更好,数值更好判断一些。