推荐系统之ROC和AUC详解

前言

这个绝对是重量级内容了，也是很基础的东西。对于模型来讲， 不同的阈值会有不同的泛化能力， 这时候，如果想比较两个模型的泛化能力， 这个阈值的高低也会受到影响， 所以就需要能够综合考虑着所有阈值下的模型的泛化性能，这样还可以使得模型适应与不同的任务， 那这时候应该怎么评估模型呢？ ROC曲线是常用的工具。

在这里和我们前面说过的PR曲线是类似的（mAP）,但是在之前的PR 曲线中横纵坐标是查准率和查全率。但是在这里就换成了真正例率（TPR）和假正例率（FPR），这两个也是根据混淆矩阵来计算的，这里看不懂的可以去看看我之前的文章目标检测指标mAP详解。

1、PR曲线和ROC曲线的区别

首先来说一下ROC曲线的定义，先看一下下面的图：

 真正例率TPR: 这个就是查全率， 真实情况为正的样本中，模型预测为正的比例，公式