简单理解ROC，AUC

最新推荐文章于 2021-09-17 08:48:53 发布
最新推荐文章于 2021-09-17 08:48:53 发布
阅读量1.5k 收藏
点赞数 1
文章标签： 机器学习
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/m0_46559823/article/details/109543269
版权
本文从初学者的角度介绍了ROC曲线和AUC的概念。ROC曲线通过True Positive Rate和False Positive Rate展示了分类器的性能，AUC是ROC曲线下的面积，用于评估分类器的优劣。AUC越大，分类器的性能越好。
摘要由CSDN通过智能技术生成

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
在这里插入图片描述
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

最低0.47元/天 解锁文章
小小小圈
关注
ROC-AUC 浅谈理解ROC曲线和AUC值
KDLin‘s Blog
05-28 2567
这是一个评价二分类器的指标，特点是不受不平衡数据集的影响。但事实理解起来有点难。下面先介绍ROC-AOC是什么，然后再谈谈我的一种理解。ps，理解这个指标，首先得对经典的F1, Recall，Precision的比较熟悉，否则看了会一头雾水，如果你不熟这几个指标的计算，建议先阅读。 ROC曲线 receiver operating characteristic curve（名称似乎无法直观理解它本身，所以忽略），它是一条关于TPR和FPR的曲线，其中TPR，true positive rate，标签为正
ROC曲线AUC计算
05-20
计算AUC，画出ROC曲线，给出各种统计参数 matlab 程序
ROC曲线与AUC值
weixin_30872789的博客
11-21 1563
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的一个标准。这样的...
AUC的含义——及线上线下不一致性分析
程序认生
05-14 3055
一、前言 在算法面试中，常常会被一个问题AUC的物理含义是什么。其物理含义是：测试任意给一个正类样本和一个负类样本，正类样本的score有多大的概率大于负类样本的score。 举例说明一下： 样本：y=1，y = 1， y=1， y = -1， y = -1， y = -1 模型1的预测：0.8，0.7，0.3，0.5，0.6，0.9 模型2的预测：0.1， 0.8， 0.9， 0.5， 0.85， 0.2 真实label中正负样本对为3*3=9 模型1：正样本score大于负样的对包括(y1
AUC粗浅理解笔记记录
RUN
10-29 513
下述理解还不透彻，需要完善 AUC（Area under the Curve of ROC）是ROC曲线下方的面积，是判断二分类预测模型优劣的标准 ROC曲线的横坐标是伪阳性率（也叫假正类率，False Positive Rate），纵坐标是真阳性率（真正类率，True Positive Rate），相应的还有真阴性率（真负类率，True Negative Rate）和伪阴性率（假负类率，False Negative Rate）。 伪阳性率（FPR） 判定为正例却不是真正例的概率 真阳性率（TPR） 判定为
Precision, Recall, F1, ROC, AUC
zhongzhh8的博客
09-13 938
分类任务评估指标 以分类任务虚假新闻检测（Fake news detection）为例讲解几个评估指标 fake news detection 可看做二元分类任务，其四个经典的评估标准有： True Positive (TP): when predicted fake news pieces are actually annotated as fake news;（被检测为fake news 且...
ROC曲线 AUC值
wangprince2017
10-20 5750
全面了解ROC曲线 一.初识ROC曲线 1. ROC的前世今生： ROC的全称是“受试者工作特征”（Receiver Operating Characteristic）曲线, 首先是由二战中的电子工程师和雷达工程师发明的，用来侦测战场上的敌军载具（飞机、船舰），也就是信号检测理论。之后很快就被引入了心理学来进行信号的知觉检测。此后被引入机器学习领域，用来评判分类、检测结果的好坏。因此，R...
一文理清楚，准确率，精度，召回率，真正率，假正率，ROC/AUC
weixin_44467105的博客
02-14 2311
一.混淆矩阵 如上图为一个混淆矩阵， True Positive （真正, TP）被模型预测为正的正样本； True Negative（真负 , TN）被模型预测为负的负样本 ； False Positive （假正, FP）被模型预测为正的负样本； False Negative（假负 , FN）被模型预测为负的正样本； 相对应的， True Positive Rate（真正率 , TPR）或灵...
plotroc.rar_AUC_ROC AUC_plotroc_roc_roc and auc
07-14
在机器学习领域，评估分类模型性能的一个重要方法是通过ROC（Receiver Operating Characteristic）曲线以及其对应的AUC（Area Under the Curve）。ROC曲线是衡量二分类模型性能的一种可视化工具，而AUC则是一个综合...
svm.rar_AUC_ROC AUC_ROC和Auc_svm roc_支持向量机
09-24
总的来说，这个工具为研究者和开发者提供了一个方便的平台，用于快速评估支持向量机在二分类任务上的性能，通过AUC和ROC曲线的可视化，帮助他们更好地理解模型的工作机制，并据此进行模型调优。
ROC-AUC的理解
智慧的旋风的博客
09-17 840
ROC-AUC AUC就是ROC曲线下面的面积，是评价二分类任务的重要指标。 ROC曲线 x轴是FPR=FP / (FP+TN)——就是预测为正（1）但是预测错了的数量 / 全部负样本（0）数量，FP / NegNum。 y轴是TPR=TP / (TP+FN)——就是预测为正并且预测正确 / 全部正样本（1）的数量，TP / PosNum。 ROC曲线是阶梯状的。 计算AUC 把p从高到低排序，然后从前往后以此作为threshold来判断预测为正还是负。依次描点计算面积。 伪代码：参考https://zhu
AUC相关问题
pjs的博客
07-09 468
AUC相关问题1.What混淆矩阵ROC曲线2.How绘制ROC曲线AUC3.Why为何AUC作为评价指标补充 1.What 混淆矩阵 真实\预测 预测正例 预测反例 正例 TP(真正例) FN(假反例) 反例 FP(假正例) TN(真反例) TPR = TP/(TP+FN) 真正例率 FPR = FP/(TN+FP) 假正例率 ROC曲线 前者为纵轴 后者为横轴 画一曲线—即ROC曲线 ROC曲线所围成的面积即AUC (Area Under ROC Curve) 2.How 绘
Tensorflow： AUC的错误/问题与修正
AcceptedLin的博客
03-04 1332
Tensorflow： AUC的错误/问题与修正 AUC是评价模型的常用指标，Tensorflow作为著名的机器学习框架，自然有对这一指标的计算API，其官网API文档为AUC。 问题 但是，这一API不是很好用，在此举一个很简单的例子： import tensorflow as tf x_1 = [0.1, 0.2, 0.3, 0.4, ...
关于混淆矩阵、ROC、AUC的问题
浅笑古今的博客
09-29 1万+
相信关于混淆矩阵、ROC和AUC的问题一直困扰着大家，要想搞懂ROC和AUC，首先要明白混淆矩阵是什么。 混淆矩阵 混淆矩阵中有着Positive、Negative、True、False的概念，其意义如下： 称预测类别为1的为Positive（阳性），预测类别为0的为Negative（阴性）。 预测正确的为True（真），预测错误的为False（伪）。 对上述概念进行组合，就产生了如下的混...
ROC曲线与AUC计算总结
taotiezhengfeng的博客
05-25 2万+
学习笔记，如有侵权，联系删除。参考：https://blog.csdn.net/pzy20062141/article/details/48711355一、roc曲线1、roc曲线：接收者操作特征(receiveroperating characteristic),roc曲线上每个点反映着对同一信号刺激的感受性。横轴：负正类率(false postive rate, FPR)，特异度，划分实例中所...
模型性能评价指标之AUC
songbinxu的博客
04-11 1万+
模型性能评价指标之AUC 一、准确率和召回率 1.1 定义 在讨论ROC之前，先介绍准确率（Precision）和召回率（Recall）的概念。 - 预测+ 预测- 真实+ TP（真正例） FN（假反例） 真实- FP（假正例） TN（真反例） 准确率P的意义是，预测为+的样本里，真实label为+的样本比例 P=T...
大白话讲解ROC曲线
骆驼分析师的博客
06-29 1万+
前言：本文用大白话和最简单的案例来解释ROC曲线及部分应用，如有任何问题或错误欢迎各位留言~~ 一、随机选取用户营销的解释（随机线） 横轴：营销用户数（假设有1000万用户数手机号） 纵轴：有响应的用户数（假设如果1000万全部发短信营销，最高会有100万人响应） 即总体响应的用户数占营销用户数的10%。 如果我们随机抽取营销用户数做短信营销时，得到结果应该接近于总体概率。即：
ROC曲线-阈值评价标准
热门推荐
Rachel Zhang的专栏
03-16 23万+
ROC曲线指受试者工作特征曲线 / 接收器操作特性曲线(receiver operating characteristic curve), 是反映敏感性和特异性连续变量的综合指标,是用构图法揭示敏感性和特异性的相互关系，它通过将连续变量设定出多个不同的临界值，从而计算出一系列敏感性和特异性，再以敏感性为纵坐标、（1-特异性）为横坐标绘制成曲线，曲线下面积越大，诊断准确性越高。在ROC曲线上，最靠近
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