秒懂，视觉化理解 ROC 曲线

---

举个例子：

上图 ：

红色代表真的正样本，蓝色代表真的负样本。

灰色垂直线代表分类算法。灰色线可以左右移动，灰色线所处位置代表了 同一算法  不同检测阈值。

灰线左侧是估计的正样本，灰线右侧是估计的负样本。

灰色水平线在较左的位置代表：同一个分类算法 + 评判标准较严，漏掉了很多真的正样本（红色）。

灰色水平线在较右的位置代表：同一个分类算法 + 评判标准宽松，混进来很多假的正样本（蓝色）。

 上图 ，是从另外一种角度的思维方法和展示方法，红色代表正样本，蓝色代表负样本。灰色的竖线代表分类算法。

左侧小图中，灰色线不论如何左右移动，不能很完美地分类数据。

右侧小图中，灰色线移动到某个位置的时候，能够完美的分类数据。

---

•  问：ROC 曲线  是什么？

       答：表面上看是随着分类标准的降低， x-坐标轴从0%到100%,  假阳性率越来越高，真阳性率 也越来越高。：

                           真阳性率 （ 真的正样本率，TPR） = 判别正确的正样本 / 全体正样本

                                                                                =（下图）灰色竖线左侧红色样本 / 所有红色样本

                         假阳性率（假的正样本率， FPR）= 判别错误的正样本 / 全体负样本

                                                                            =（下图）灰色竖线侧蓝色样本 / 所有蓝色样本

              实际上是是算法将数据做二分类的能力评价。或者说是数据是否适合某个算法的评价。

---

• 问：ROC曲线如何画出来：

        答：ROC 曲线绘制步骤
                      1，将全部样本按得分递减排序
                      2，阈值从1到0， 逐步降低阈值，计算各个阈值下对应的（FPR,TPR）数值对
                      3，将数值对绘制在直角坐标中，x,y轴刻度都是1-100%

               TPR 是 true positive rate，=正确的阳性 / 所有阳性；

               FPR是false positive rate，=正确的阴性 / 所有阴性。

---

              

 参考：

ROC曲线详解_ _bilibili

一文完全理解AUC-ROC曲线_-CSDN博客

---

todo

对应的编写一个H5网页小程序，可以更加直观和友好地理解ROC。