ROC曲线

• 误识率（FAR，false acceptance rate）
• 拒识率（FRR，false rejection rate）
• ROC曲线（Receiver Operator characteristic Curve）

• 误拒率，就是错误拒绝的意思，指的类内匹配。如果有10个志愿者的样本，每个志愿者20幅样本。那么相对于类内测试，比如对1号志愿者，同一类的这20幅图片之间，互相匹配，假设1:1的匹配，互相不重复能够进行(20*19)/2次。如果10个志愿者都进行这么测试，就是10*（20*19）/2次。这是总的类内匹配次数。预设定阈值为TH，如果匹配值th>TH就会错误拒绝。 

       误识率，指错误接受的概率，相对于类间匹配而言。不同的类之间进行的匹配，如果阈值th小于预设阈值TH，就会认为属于同一类，这种情况就是错误接受。

  计算公式如下： 

  

         因为FRR和FAR互相矛盾，所以当两者相等时的概率就是等错误率。当阈值为TH时，此时对应的FRR有个数值、FAR有个数值。这样得到一组对应的FRR和FAR，以FAR为横坐标，FRR为纵坐标画曲线，就是ROC曲线。再画y=x的曲线，两个曲线相交时对应的横坐标或纵坐标就是等错误率，这个时候对应的阈值就是最优的。

  典型的ROC曲线示意图：

  

  说白一些，假定在指纹匹配识别过程中： 

  误识率（FAR）是指在标准指纹数据库上测试指纹识别算法时，不同指纹的匹配分数大于给定阈值，从而被认为是相同指纹的比例，简单地说就是“把不应该匹配的指纹当成匹配的指纹”的比例。

   拒识率（FRR）是指在标准指纹数据库上测试指纹识别算法时，相同指纹的匹配分数低于给定阈值，从而被认为是不同指纹的比例，简单地说就是 “把应该相互匹配成功的指纹当成不能匹配的指纹”的比例。

  
  

• 下图给出了ROC曲线，其中横坐标是拒识率，纵坐标是误识率，等错误率（EER Equal-Error Rate）是拒识率和误识率的一个平衡点，等错误率能够取到的值越低，表示算法的性能越好。 

  

  在另外的一些二分类模式识别，如人脸验证中，ROC 关注常关注两个指标： 
  

  其中 

  
  True Positive(真正, TP)：将正类预测为正类数. 

  True Negative(真负 , TN)：将负类预测为负类数. 

  
  False Positive(假正, FP)：将负类预测为正类数 → 误报 (Type I error). 

  
  False Negative(假负 , FN)：将正类预测为负类数 →漏报 (Type II error).

  
  

  直观上，TPR 代表能将正例分对的概率，FPR 代表将负例错分为正例的概率。在 ROC 空间中，每个点的横坐标是 F

  PR，纵坐标是 TPR，这也就描绘了分类器在 TP（真正率）和 FP（假正率）间的 trade-off2。 

  
  

  
  

  一般来说，如果ROC是光滑的，那么基本可以判断没有太大的overfitting（比如图中0.2到0.4可能就有问题，但是样本太少了），这个时候调模型可以只看AUC，面积越大一般认为模型越好。