ROC阈值曲线

本文主要介绍一个评价分类器稳定性的指标：ROC阈值曲线。

对于一个已知的二分类结果(假设一共正，负两个类别)，可以把结果的数据分成以下4类：A原来的正类被分为正类，B原来的正类被分为负类，C原来的负类被分为正类，D原来的负类被分为负类。

我们把A除以分类后的正类的数量称作真阳性率(TRP)，把C除以分类以后的正类的数量称为假阳性率(FRP)。通俗来讲，就是分类以后，正类中被正确分类的比率称为TRP，正类中被错误分类的比率称为FRP。我们把TRP作为Y轴，把FRP作为X轴，可以画出图像：

这里，也许你会问这个图像是怎么画出来的呢？对于一个已知的分类结果我们只能得到一个点，也就是一个FRP和一个TRP啊？别急，我们再举一个例子：

在进行分类的过程中，有的分类器并不是直接给出分类的结果，而是给出类似概率这样的参考因子，然后我们再根据这些参考因子得到分类结果。拿朴素贝叶斯分类器作例子，当给定的训练集数据经过朴素贝叶斯分类器以后，我们能得到类似P(x1=a1|y=c1)(记为A)和