目录
一、模型评估介绍
1.分类模型评估
2.回归模型评估
二、ROC和AUC
1.理论知识
AUC概念理解: https://www.zhihu.com/question/39840928?from=profile_question_card
ROC全称是“受试者工作特征”(Receiver Operating Characteristic)。ROC曲线的面积就是AUC(Area Under the Curve)。AUC用于衡量“二分类问题”机器学习算法性能(泛化能力)。
ROC曲线是二值分类问题的一个评价指标。它是一个概率曲线,在不同的阈值下绘制TPR与FPR的关系图,从本质上把“信号”与“噪声”分开。
AUC越大表明当前分类算法分类效果越好
截断点(阈值)取不同的值,TPR和FPR的计算结果也不同。将截断点不同取值下对应的TPR和FPR结果画于二维坐标系中得到的曲线,就是ROC曲线。横轴用FPR表示。
2.ROC曲线分析
random chance这条直线是随机概率,一半的概率是对的,一半的概率是错的。如果低于这条线,说明算法极差,都不如随机猜的。因此在这条线的左边说明算法还好点。
3.TPR与FPR的计算过程
y = [0,0,1,1]
y_pre = [0.1,0.5,0.3,0.8]
阈值分别取:0.1,0.3,0.5,1
阈值为0.1时
y1=[1,1,1,1]
阈值为0.3时
y2=[0,1,1,1]
阈值为0.5时
y3 = [0,1,0,1]