matlab混淆矩阵和roc曲线,ROC曲线/AUC曲线与混淆矩阵介绍

ROC曲线

ROC(Receiver Operating Characteristic)曲线即受试者工作特征曲线 (receiver operating characteristic curve，简称ROC曲线)，又称为感受性曲线(sensitivity curve)，用来评价一个二值分类器(binary classifier)的优劣。

ROC曲线的横坐标为false positive rate(FPR)，纵坐标为true positive rate(TPR)

混淆矩阵

接下来这张图是混淆矩阵。

先理解 一下

• 伪阳性率(FPR)

判定为正例却不是真正例的概率

• 真阳性率(TPR)

判定为正例也是真正例的概率

• 伪阴性率(FNR)

判定为负例却不是真负例的概率

• 真阴性率(TNR)

判定为负例也是真负例的概率

注意此图中P+N是所有的样本个数。

接下来考察四个点：

①(0,1)：即FPR=0, TPR=1，这意味着FN(false negative)=0，并且FP(false positive)=0。Wow，它将所有的样本都正确分类。

②(1,0)，即FPR=1，TPR=0，这个点的预测全部错误。

③(0,0)，即FPR=TPR=0，即FP(false positive)=TP(true positive)=0，该分类器预测所有的样本都为负样本(negative)。

④(1,1)，分类器实际上预测所有的样本都为正样本。

结论：ROC曲线越接近左上角，该分类器的性能越好。

AUC曲线

AUC(Area Under Curve)被定义为ROC曲线下的面积，这个面积的数值不会大于1。又由于ROC曲线一般都处于y=x这条直线的上方，所以AUC的取值范围在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。为什么呢，因为ROC曲线越接近左上角，AUC面积就越大，分类器性能就越好。

参考文献：孔明的博客、百度百科