ROC曲线（Receiver Operating Characteristic）是评估分类模型性能的一种工具，横坐标为假阳性率（FPR），纵坐标为真阳性率（TPR）。AUC（Area Under the ROC Curve）是ROC曲线下的面积，其值越大表明分类器性能越好，通常介于0.5到1.0之间。文章介绍了ROC曲线的来源、意义，以及如何通过改变阈值得到不同的ROC曲线，并强调了AUC作为衡量分类器好坏的标准。
一、相关概念
ROC的全名叫做Receiver Operating Characteristic，其主要分析工具是一个画在二维平面上的曲线——ROC curve。平面的横坐标是false positive rate(FPR)，错误率。纵坐标是true positive rate(TPR)，真值率。
AUC（Area Under roc Curve）是一种用来度量分类模型好坏的一个标准。为ROC曲线所覆盖的区域面积。
二、来源
一些实际的问题对度量标准提出了新的需求。特别的，现实中样本在不同类别上的不均衡分布(class distribution imbalance problem)。使得准确率（accuracy）这样的传统的度量标准不能恰当的反应分类器的performance。举个例子：测试样本中有A类样本90个，B 类样本10个。分类器C1根据阈值把所有的测试样本都分成了A类，分类器C2根据阈值把A类的90个样本分对了70个，B类的10个样本分对了5个。则C1的分类精度（准确率）为 90%，C2的分类精度（准确率）为75%。但是，显然C2更有用些。另外，在一些分类问题中犯不同的错误代价是不同的(cost sensitive learning)。这样，默认的分类阈值的传统做法也显得不恰当了。
为了解决上述问题，人们从医疗分析领域引入了一种新的分类模型performance评判方法——ROC分析。
最低0.47元/天 解锁文章
4869
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
