推荐系统评估指标AUC详解与python实现

本文详细介绍了AUC的概念,它是ROC曲线下的面积,衡量了分类器对样本排序的能力。AUC越大,分类器性能越好。文章讨论了AUC与正确率的区别,并提供了AUC的Python计算示例,以及相关资源链接供进一步学习。
摘要由CSDN通过智能技术生成

 

 

1.AUC的含义


AUC是ROC曲线下的面积,它是机器学习用于二分类模型的评价指标,AUC反应的是模型对样本的排序能力。它的统计意义是:随机抽出一对样本(一个正样本,一个负样本),然后用训练得到的分类器来对这两个样本进行预测,预测得到正样本的概率大于负样本概率的概率。

ROC曲线的横坐标为false postive rate(fpr),纵坐标为true positive rate(tpr),
false postive rate的计算法公式:

其中,fp表示false positive,即负例被分成正例的个数,tn表示true negative, 即负例被分成负例的个数,false positive rate 表示负例被分错的比例。

true postive rate 的计算公式是:

  • 2
    点赞
  • 12
    收藏
    觉得还不错? 一键收藏
  • 2
    评论
评论 2
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