[机器学习]ROC曲线以及AUC的理解

ROC曲线以及AUC的理解

对于不平衡分类问题的评判准则有很多种，比较经典且经常使用的一种方法就是ROC曲线和AUC值。
对于二分类问题，我们引入混淆矩阵的概念。一个二分类问题，预测结果可能出现四种情况：
如果一个点属于阴性(-)并被预测到阴性(-)中，即为真阴性值(True Negative,TN);
如果一个点属于阳性(+)但被预测到阴性(-)中，称为假阴性值(False Negative,FN);
如果一个点属于阳性(+)并且被预测到阳性(+)中，称为真阳性值(True Positive,TP);
如果一个点属于阴性(-)但被预测到阳性(+)中，称为假阳性值(False Positive,FP)。以上内容可以用以下的混淆矩阵来表示：

	真实为阳性(+)	真实为阴性(-)
预测为阳性(+)	真阳性值(TP)	假阳性值(FP)
预测为阴性(+)	假阴性值(FN)	真阴性值(TN)

于是，模型整体的准确率可表示为 Accuracy = (TN+TP)/(N+P)
但实际上利用Accuracy对于一些不平衡的数据所建立的模型进行评判是相当不合理的，因为当模型倾向于将所有数据评为数据量更大的那个分类，此时模型的准确率依然很高。
但往往我们关心的是其实是模型在每个类别上的预测能力，因此，我们需要如以下所展示的评价指标来综合判断模型的准确性。

对于二分类模型，很多时候不是直接给出每个样本的类别预测，而是给出属于其中一类的概率，因此需要选取一个阈值，当预测概率大于阈值时，将观测预测为此，否则为另一类。
不同的阈值对应不同的分类预测结果。ROC曲线可以同时展示出所有可能阈值对应的两类错误，通过将阈值从0到1移动，获得多对FPR(1-specificity)和TPR(sensitivity)以FPR为横轴TPR为纵轴，将各点连接起来而得到的一条曲线。即每一个点，对应的是一个分类器，一个相同模型阈值不一样的分类器。

名称	定义	相同含义名称
假阳性率(FPR)	FP/N	第I类错误，1-特异度(1-specificity)
真阳性率(TPR)	TP/P	1-第II类错误，灵敏度(sensitivity),召回率(recall)

首先我们考虑图中的四个点，第一个点(0,1)即FPR=0，TPR=1，这意味着FP(False Positive)=FN(False Negative)=0,表示我们得到了一个完美的分类器，因为它将所有的样本都正确分类了。
而相应的，(1,0)这个点表示这是一个最差的分类器，因为它将所有的样本都分错了。

第三个点(0,0)，即FPR=TPR=0，这时候FP=TP=0，可以发现此时的分类器将所有的样本都预测为负样本。

类似的，第四个点(1,1),表示此时的分类器将所有的样本都预测为正样本。

事实上，我们构建出来的分类器，一开始将阈值调整的特别低，那么它就会讲所有的样本都分为负样本，所以，一般起点都是从(0,0)开始，然后，再调整阈值将所有样本都分为正样本，结果就到了(1,1)
所以经过以上的分析，我们可以明确。ROC曲线越接近左上角，说明该分类器的性能是越好的。另外，途中用虚线表示的对角线上的点其实表示一个采用随机猜测策略的分类器的结果，例如(0.5,0.5)，它表示该分类器随机的将一半的样本猜测为正样本，另外一半样本猜测为负样本。(0.25,0.25)就表示将所有样本的四分之一随机猜测为正样本，这样的确为正样本的样本中有四分之一被猜测为了正样本，实际上为负样本的样本中也有四分之一被猜测为了正样本。

不过，很多时候单独看ROC曲线并不能清晰地看出哪个分类器的效果更好，所以可采用ROC曲线下面的面积(area under the ROC curve,AUC)来表示分类器的性能，显然这个数值不会大于1。前面提到，一个理想的ROC曲线会紧贴左上角，所以AUC值越大分类器的效果就越好。另外不难理解，任何一个“有效”的分类器的AUC值都应该大于0.5。
接下来我们开始解释ROC数学上的真实意义(非常美妙)
先介绍变量