前言
初入人工智能行业,还在学习阶段,简单谈谈自己对ROC,AUC的理解,便于自己的以后的学习之路。第一次写博客,理解较浅,如有错误的地方,请指出
一、ROC
1.混淆矩阵
(1)TP(True Postive):预测为正例,实际也为正例,判对。
(2)FN(False Negative):预测为负例,实际为正例,判错。
(3)FP(False Postive):预测为正例,实际为负例,判错。
(4)TN(True Negative):预测为负例,实际也为负例,判对。
混淆矩阵如下,1代表正例,0代表负例
2.ROC曲线
ROC(receiveroperating characteristic):受试者工作特征
(1) TPR(True Postive Rate): TP / (TP+FN),代表分类器预测的正类中实际正实例占所有正实例的比例。
(2) FPR(False Postive Rate): FP / (FP+TN),代表分类器预测的正类中实际负实例占