机器学习基础算法13-Logistic回归-ROC和AUC分类模型评估-实例

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]