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