ROC和AUC

最新推荐文章于 2023-02-26 20:28:01 发布

hellozgy

最新推荐文章于 2023-02-26 20:28:01 发布

阅读量400

点赞数

分类专栏：机器学习文章标签： ROC AUC 分类指标

本文链接：https://blog.csdn.net/u012852385/article/details/79776816

版权

假设分类器的输出是样本属于正类的socre（置信度），则AUC的物理意义为，任取一对（正、负）样本，正样本的score大于负样本的score的概率。

第一种方法取每一个分数作为阈值，划分0和1，然后求得真阳率（TP/(TP+FN)）和假阳率（FP/(FP+TN)），然后绘制ROC曲线（真阳率为纵轴，假阳率为横轴），求得ROC曲线的面积就是AUC值。
第二种方法：根据AUC的物理意义，我们计算正样本score大于负样本的score的概率。取N*M（N为正样本数，M为负样本数）个二元组，比较score，最后得到AUC。时间复杂度为O(N*M)。
第三种方法：与第二种方法相似，直接计算正样本score大于负样本的score的概率。我们首先把所有样本按照score排序，依次用rank表示他们，如最大score的样本，rank=n(n=N+M)，其次为n-1。那么对于正样本中rank最大的样本（rank_max），有M-1个其他正样本比他score小，那么就有(rank_max-1)-(M-1)个负样本比他score小。其次为(rank_second-1)-(M-2)。时间复杂度为O(N+M)。最后我们得到正样本大于负样本的概率为：

关注