深度学习理论-—Python导入库和函数、两个评价指标（Top-5错误率与Top-1错误率）、ROC曲线与AUC概念

提示：文章写完后，目录可以自动生成，如何生成可参考右边的帮助文档

---

一、 关于导入库和导入函数

import 模块：导入一个模块，注：相当于导入的是一个文件夹，每次使用模块中的函数都要确定引用

from…import XX：导入的是一个模块中的一个函数；注：相当于导入的是一个文件夹中的文件，是绝对路径

from…import * ：是把一个模块中所有的函数都导入进来, 注：相当于导入的是一个文件夹中的所有文件，所有函数都是绝对路径

二、有关两个评价指标（Top-5错误率与Top-1错误率）

1.Top-5错误率
即对一个图片，如果概率前五中包含正确答案，即认为正确。

2.Top-1错误率
即对一个图片，如果概率最大的是正确答案，才认为正确。
ImageNet 举办一年一度的软件竞赛，叫做（ImageNet Large Scale Visual Recognition Challenge,ILSVRC)。主要内容是通过算法程序实现正确分类和探测识别物体与场景，评价标准就是Top-5 错误率。

三、confusion matrix 混淆矩阵、ROC曲线、AUC

1.confusion matrix 混淆矩阵

混淆矩阵就是分别统计分类模型归错类，归对类的观测值个数，然后把结果放在一个表里展示出来。

真实值是positive，模型认为是positive的数量（True Positive=TP）

真实值是positive，模型认为是negative的数量（False Negative=FN）：这就是统计学上的第二类错误（Type II Error）

真实值是negative，模型认为是positive的数量（False Positive=FP）：这就是统计学上的第一类错误（Type I Error）

真实值是negative，模型认为是negative的数量（True Negative=TN）

2.ROC曲线

受试者工作特征曲线ROC就是以假阳性概率(False positive rate)为横轴，真阳性(True positive rate)为纵轴所组成的坐标图。
真正例率（True Positive Rate，简称TPR）：表示当前预测为正样本的数据中，真实的正样本占所有正样本的比例

          TPR = TP / (TP + FN)

假正例率（False Positive Rate，简称FPR）：表示当前被分到正样本的数据中，真实的负样本占所有负样本的比例。

          FPR = FP / (TN + FP)

据模型的预测结果对样本进行排序，按顺序逐个把样本作为正样本进行预测，每次计算出TPR和FPT，分别以FPR为横坐标、以TPR为纵坐标作图，就得到了ROC曲线。ROC曲线示意图如下：

3.AUC

AUC (Area under Curve)：ROC 曲线下的面积，介于 0.1 和 1 之间，作为数值可以直观的评价分类器的好坏，值越大越好。
AUC 值作为评价标准，被定义为 ROC 曲线下的面积，取值范围一般在 0.5 和 1 之间。使用AUC 值作为评价标准是因为很多时候ROC曲线并不能清晰的说明哪个分类器的效果更好，而作为一个数值，对应 AUC 更大的分类器效果更好。
AUC 的常用计算方法有：
(1) 梯形法则：早期由于测试样本有限，我们得到的 AUC 曲线呈阶梯状。曲线上的每个点向 X 轴做垂线，得到若干梯形，这些梯形面积之和也就是 AUC；
(2) Mann-Whitney 统计量： 统计正负样本对中，有多少个组中的正样本的概率大于负样本的概率。这种估计随着样本规模的扩大而逐渐逼近真实值。

AUC = 1，是完美分类器，采用这个预测模型时，存在至少一个阈值能得出完美预测。绝大多数预测的场合，不存在完美分类器。
0.5 < AUC < 1，优于随机猜测。这个分类器（模型）妥善设定阈值的话，能有预测价值。AUC = 0.5，跟随机猜测一样（例：丢铜板），模型没有预测价值。
AUC < 0.5，比随机猜测还差；但只要总是反预测而行，就优于随机猜测。
居中的图片:

总结

本文深度学习的一些零碎知识点进行了部分整理，在后续学习中还会不断完善和补充。