【机器学习】为什么随机分类时，AUC = 0.5？

最新推荐文章于 2024-06-11 21:00:00 发布
最新推荐文章于 2024-06-11 21:00:00 发布
阅读量1.3w 收藏 3
点赞数 2
分类专栏： 数据挖掘 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/qq_34105362/article/details/85693291
版权
本文探讨了在随机分类情况下，ROC曲线的AUC值为何为0.5。通过举例说明，解释了混淆矩阵、ROC曲线的概念，并以1000个样本中10%为正样本的场景，展示了随机模型如何导致AUC值等于0.5。此外，还对比了优于和劣于随机模型的AUC表现。
摘要由CSDN通过智能技术生成

关于ROC和AUC的介绍，可以参考维基百科。

这里仅谈个人对随机分类下ROC曲线的理解，即为什么随机分类时，AUC = 0.5？

若理解有误，恳请大佬指导↖(^ω^)↗

 

一、混淆矩阵：

 

二、ROC曲线：

横坐标：FPR = b1 / ( b1 + b2 ) = 预测为正，实际为负 / 总负样本数 = 负样本预测错误数 / 总负样本数

纵坐标：TPR = a1 / ( a1 + a2 ) = 预测为正，实际为正 / 总正样本数 = 正样本预测正确数 / 总正样本数 = 正样本的召回率

 

 

三、分类器

总样本：1000

正样本：100；占比10%（可以理解为随机抽取样本，为正样本的概率为10%）

负样本：900；占比90%

 

1、随机模

最低0.47元/天 解锁文章
喜东东cc
关注
专栏目录
机器学习分类算法之XGBoost（集成学习算法）
迷茫与徘徊只会让你陷入绝境，欢迎私信博主，带你开始提升变现价值！
02-14 7万+
目录 走进XGBoost 什么是XGBoost？ XGBoost树的定义 XGBoost核心算法 正则项：树的复杂程度 XGBoost与GBDT有什么不同 XGBoost需要注意的点 XGBoost重要参数详解 调参步骤及思想 XGBoost代码案例 相关性分析 n_estimators（学习曲线） max_depth（学习曲线） 调整max_depth 和min_child_weight 调整gamma 调整subsample 和colsample_bytree 调整正则
机器学习12：分类 Classification
Jin_Kwok的博客
06-29 1534
分类（Classification）是一个有监督的学习过程，目标数据集（示例集）中具有的类别是已知的，分类过程需要做的就是把每一条记录归到对应的类别下。由于必须事先知道各个类别的信息，并且所有待分类的数据条目都默认有对应的类别，因此分类算法也有其局限性，当上述条件无法满足时，我们就需要尝试聚类（后面介绍）分析。在【机器学习11】中，笔者介绍了（Logistic Regression），它就是一种分类分析，它有正向类和负向类，即：y ∈ {0, 1}，其中 0 代表负向类，1 代表正向类。
分类问题：导致AUC为0.5的原因及解决方案
qq_51174011的博客
03-09 1万+
神经网络：AUC为0.5 在训练模型的过程中遇到了AUC为0.5的情况，搜集了一些网络上的资料，简单的做了一个整理 1. 特征本身和标签之间没有关系 AUC为0.5，意味着模型趋于“随机预测”模型，ROC曲线近似于ROC图的对角线。 “特征本身和标签之间没有关系”看起来是一件不太可能发生的事，但实际中有可能会由调取数据过程出现的问题导致。 检查模型的特征和标签是否匹配可以检验该问题是否存在，若存在应匹配特征和标签 2. 原始数据的量纲差异过大 当原始数据的量纲相差过大，而标签中“0”的过多时，训练出的模型系
为什么编好的resnet运行结果AUC是0.5？
abcd1334的博客
12-30 2100
为什么编好的resnet运行结果AUC是0.5？ 最后发现是分类函数的问题，由于我使用的分类函数是softmax，它适用于多分类，而我是二分类问题，把它改成sigmoid就行。 ...
对抗验证（）
m0_53592642的博客
05-25 194
X_train = x_train[feas] X_test = test[feas] features = X_train.columns.tolist() X_train['risk_label'] = 1 X_test['risk_label'] = 0 train_test = pd.concat([X_train, X_test], axis =0,ignore_index=True) train1, test1 = train_test_split(train_test, test_size=
算法金 | 一文彻底理解机器学习 ROC-AUC 指标
算法金「全网同名」的博客
06-11 1271
ROC 曲线，即接收者操作特征曲线，ROC曲线产生于第二次世界大战期间，最早用在信号检测领域，侦测战场上的敌军载具（飞机、船舰）。现在是是用来评价二分类模型性能的常用图形工具。它通过显示真阳性率（True Positive Rate，简称 TPR）与假阳性率（False Positive Rate，简称 FPR）之间的权衡来帮助我们理解模型的分类能力。AUC，即曲线下面积（Area Under Curve），是 ROC 曲线下面积的一个数值表示。它提供了一个定量的指标，用来衡量分类模型的整体表现。
auc指标含义的理解
ACM 【程式=演算法+資料結構】@蜡笔小轩V
01-25 3万+
机器学习实践中分类器常用的评价指标就是auc，不想搞懂，简单用的话，记住一句话就行 auc取值范围[0.5,1]，越大表示越好，小于0.5的把结果取反就行。 想搞懂的，看An introduction to ROC analysis （Tom Fawcett）这篇论文把。我把这篇论文的要点整理了一下。 引子 假设有下面两个分类器，哪个好？
机器学习篇-指标:AUC
fanfangyu的博客
02-11 2万+
AUC是什么东西？ AUC是一个模型评价指标，只能够用于二分类模型的评价，对于二分类模型来说还有很多其他的评价指标： 比如：logloss，accuracy，precision 在上述的评价指标当中，数据挖掘类比赛中，AUC和logloss是比较常见的模型评价指标 那么问题来了||ヽ(￣▽￣)ノミ|Ю为啥是AUC和logloss? 因为很多机器学习的模型对分类问题的预测结果都是概率，如果要计算accuracy的话，需要先将概率转换成类别，这就需要手动设置一个阈值，如果对一个样本的预测概率高于这个预测，就把这
【零基础学机器学习 5】机器学习中的分类：什么是分类以及分类模型
专注于图像领域，主要研究内容包括计算机视觉和深度学习，特别是在图像分类、目标检测和图像生成等方面有深入的研究和实践经验。
06-11 606
分类被定义为将对象和思想识别、理解和分组到预设类别（也称为“子群体”）的过程。借助这些预分类的训练数据集，机器学习程序中的分类利用各种算法将未来的数据集分类到相应和相关的类别中。
分类算法的评估方法(ROC曲线和AUC指标)
cai_niao_lu的博客
12-11 1757
ROC曲线和AUC指标
随机化算法
ZCC的专栏
01-02 1835
一.随机化算法分类  随机算法通常分成4类：  数值随机算法（Numericalrandomized algorithm）：  随机算法有时也称概率算法（probabilistic algorithm），但也有人对两者这样区分   如果取得结果的途径是随机的，则称为随机算法，如拉斯维加斯算法；  如果取得的解是否正确存在随机性，称为概率算法，如蒙特卡罗算法。  蒙特
AUC原理详细讲解
Ezra521的博客
06-09 1万+
一、AUC含义 首先，在试图弄懂AUC和ROC曲线之前，首先要彻底理解混淆矩阵的定义！ 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，就产生了如下的混淆矩阵： 然后，由此引出True Positive Rate（真阳率）、False Positive（伪阳率）两个概念： TPRate=TPT
模型评价(一) AUC大法
weixin_34148340的博客
07-29 2107
问题： AUC是什么 AUC能拿来干什么 AUC如何求解（深入理解AUC） AUC是什么 混淆矩阵(Confusion matrix) 混淆矩阵是理解大多数评价指标的基础，毫无疑问也是理解AUC的基础。丰富的资料介绍着混淆矩阵的概念，这里用一个经典图来解释混淆矩阵是什么。显然，混淆矩阵包含四部分的信息： True negative(...
分类模型评估之ROC-AUC曲线和PRC曲线
皮皮blog
06-30 9万+
http://blog.csdn.net/pipisorry/article/details/51788927 ROC曲线和AUC ROC（Receiver Operating Characteristic，接受者工作特征曲线）曲线和AUC常被用来评价一个二值分类器（binary classifier）的优劣。博文介绍ROC和AUC的特点，讨论如何作出ROC曲线图以及计算AUC。 AUC是现...
ROC曲线与AUC
ice110956的专栏
03-02 3万+
对于0,1两类分类问题,一些分类器得到的结果往往不是0,1这样的标签,如神经网络,得到诸如0.5,0,8这样的分类结果.这时,我们人为取一个阈值,比如0.4,那么小于0.4的为0类,大于等于0.4的为1类,可以得到一个分类结果。同样,这个阈值我们可以取0.1,0.2等等。取不同的阈值,得到的最后的分类情况也就不同。 阈值不同,可以得到不同的结果,但是由分类器决定的统计图始终是不变的。这时候就需要一个独立与阈值,只与分类器有关的评价指标,来衡量特定分类器的好坏。 还有在类不平衡的情况下,如正样本90个,负样本
AUC的计算方法
热门推荐
SCUT_Sam
11-29 12万+
摘要: 在机器学习的分类任务中，我们常用许多的指标，诸如召回率（Recall）、准确率（Precision）、F1值、AUC等。 那么，如果如果手动计算AUC应该要怎么计算呢？相信大家很多时候都是用写好的库直接计算，可能对AUC计算不太了解，下面这篇文章就简单的概述一下AUC的计算方法。 （注：本文的重点其实不在于阐述什么是AUC。因为网上关于这方面的文章实在太多了。但是对于AUC的计算的文
干货 | 一文完全理解AUC-ROC曲线
小白学视觉
05-03 5482
点击上方“小白学视觉”，选择加"星标"或“置顶”重磅干货，第一时间送达 来源： https://towardsdatascience.com/understanding-auc-roc-curve-68b2303cc9c5 翻译：石头 ...
机器学习AUC为0.8
最新发布
06-29
机器学习中的 AUC（Area Under the Curve）指标，通常用于评估二分类模型的性能，特别是当涉及到不平衡数据集时，AUC 更加重要。AUC 的值范围从 0 到 1，其中 1 表示完美预测，0 表示随机猜测。 当 AUC 为 0.8 时，这意味着模型的表现相当不错，但还未达到最佳状态。它表示模型能够很好地区分正例（真实为正的样本）和负例（真实为负的样本），分类的边界准确率较高，且不容易被随机性主导。这个值高于 0.5，说明模型比仅仅猜测更具有预测能力。 具体来说： - AUC = 0.5：代表模型的表现等于随机猜测。 - AUC > 0.5：模型有一定区分能力，AUC 越接近 1，表现越好。 - AUC < 0.5：模型预测错误较多，可能需要调整模型或特征。 如果 AUC 是 0.8，你可能会选择继续优化模型，比如尝试不同的特征工程、调整模型参数，或者使用集成学习方法来提高精度。同时，也要注意 AUC 只适用于二分类问题，并不适用于多分类问题，对于后者通常会用到其他指标，如 Micro-AUC 或者 Macro-AUC。
评论 3
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