【机器学习】为什么随机分类时,AUC = 0.5?

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

评论 3
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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