【机器学习的一些问题】模型评估之ROC曲线

二值分类器Binary Classifier：机器学习领域最常用、应用最广泛的分类器。ROC曲线是评估其模型的重要指标之一。

 

ROC曲线Receiver Operating Characteristic Curve，受试者工作特征曲线，横坐标为FPR（假阳性率False Positive Rate），纵坐标为TPR（真阳性率True Positive Rate）。

FPR=FP/N，负样本被预测为正样本/真实的负样本；

TPR=TP/P，正样本被预测为正样本/真实的正样本。

ROC曲线通过不断移动“截断点”来生成曲线上一组关键点，因此当截断点选择为无穷时，FP=TP=0，所以曲线的第一个坐标点为（0,0）；同理，最后一个点为(1,1)。

AUC，Area Under Curve，一般的情况下，ROC曲线会在y=x的上方，故而AUC取值一般为0.5~1之间。

 

相对于P-R曲线，ROC曲线在测试集正负样本比例发生变化时，形状基本保持不变，降低了不同测试集的干扰，更能反映模型本身的好坏，因此ROC曲线的使用场景很多。而P-R曲线则能反映模型在特定数据集上模型的性能。