ROC与AUC

很多学习器是为测试样本产生一个实值或概率预测，然后将这个预测值与一个分类阈值（threshold）进行比较，若大于阈值则分为正类，否则为反类．例如，神经网络在一般情形下是对每个测试样本预测出一个[0.0,1.0]之间的实值，然后将这个值与 0.5 进行比较，大于 0.5 则判为正例，否则为反例. 这个实值或概率预测结果的好坏, 直接决定了学习器的泛化能力。实际上，根据这个实值或概率预测结果，我们可将测试样本进行序，“最可能” 是正例的排在最前而，“最不可能” 是正例的排在最后面．这样，分类过程就相当于在这个排序中以某个 “截断点” 将样本分为两部分，前一部分判作正例，后一部分则判作反例．

不同的应用任务中，我们可根据任务需求采用不同的截断点，例如若我们更重视“查准率”，则可选择排序中靠前的位置进行截断；若更重视“查全率”，则可选择靠后的位置进行截断．因此，排序本身的质量好坏，体现了综合考虑学习器在不同任务下的“期望泛化性能”的好坏，或者说，“一般情况下” 泛化性能的好坏．ROC曲线则是从这个角度出发研究学习器泛化性能的有力工具。

ROC全称是“受试者工作特征”曲线，它源于“二战”中用于敌机检测的雷达信号分析技术，二十世纪六七十年代开始被用于一些心理学、医学检应用中，此后被引入机器学习领域。与P-R曲线相似，我们根据学习器的预测结果对样例进行排序，按此顺序逐个把样本作为正例进行预测，每次计算出两个重要量的值，分别以它们为横、纵坐标作图，就得到了"ROC曲线”。与P-R曲线使用查准率、查全率为纵、横轴不同，ROC曲线的纵轴是“真正例率”(True Positive Rate,简称TPR),横轴是“假正例率” （False Positive Rate，简称FPR).
\[ TPR = \frac{TP}{TP+FN} \tag{1} \]
\[ FPR = \frac{FP}{TN+FP} \tag{2} \]

显示ROC曲线的图称为“ROC图”。下图给出了一个示意图，显然，对角线对应于“随机猜测”模型，而点（0,1）则对应于将所有正例排在所有反例之前的“理想模型”。

现实任务中通常是利用有限个试样例来绘制ROC图，此时仅能获得有限个（真正例率，假正例率）坐标对，无法产生光滑ROC曲线，只能绘制出如上图(b)所示的近似ROC曲线．

绘图过程很简单：给定 \(m^+\) 个正例和 \(m^-\) 个反例，根拥学习器预测结果对样例进行排序，然后把分类阈值设为最大，即把所有样例均预测为反例，此时真正例率和假正例率均为 \(0\)，在坐标 \((0,0)\) 处标记一个点。然后，将分类阈值依次设为每个样例的预测值，即依次将每个样例划分为正例。设前一个标记点坐标为 \((x,y)\)，当前若为真正例，则对应标记点的坐标为\((x,y+\frac{1}{m^+})\)；当前若为假正例，则对应标记点的坐标为\((x+\frac{1}{m^-},y)\)，然后用线段连接相邻点即得。

进行学习器的比较时，与P-R图相似，若一个学习器的ROC曲线被另一个学习器的曲线完全“包住”，则可断言后者的性能优于前者；若两个学习器的ROC线发生交又，则难以一般性地断言两者孰优孰劣，此时如果一定要进行比较，则较为合理的判据是比较ROC曲线下的面积，即AUC(Area Under ROC Curve)。

从定义可知，AUC可通过对ROC曲线下各部分的面积求和而得．假定ROC曲线是由坐标为 \(\{(x_1,y_1),(x_2,y_2),\dots,(x_m,y_m)\}\) 的点按序连接而形成 \(\left( x_1=0,x_m=1 \right)\)，则AUC可估算为

\[ AUC = \frac{1}{2} \sum \limits_{i=1}^{m-1}(x_{i+1}-x_i)(y_i+y_{i+1}) \tag{3} \]

形式化地看，AUC考虑的是样本预测的排序质量，因此它与排序误差有紧密联系。给定 \(m^+\) 个正例 \(m^-\) 个反例，令 \(D^+\) 和 \(D^-\) 分别表示正、反例集合，则排序 “损失” （loss）定义为

即考虑每一对正、反例，若正例的预值小于反例，则记一个“罚分”；若相等，则记0.5个“罚分”。容易看出，\(\ell_{rank}\) 对应的是ROC曲线之上的面积：若一个正例在ROC线上对应标记点的坐标为 \((x,y)\), 则 \(x\) 恰是排序在其之前的反例所占的比例，即假正例率。达此有
\[ AUC=1-\ell_{rank} \]

转载于:https://www.cnblogs.com/cheneywilson/p/6802720.html