auc到多少有意义_对模型评价指标AUC的理解

最新推荐文章于 2023-04-09 21:47:06 发布
最新推荐文章于 2023-04-09 21:47:06 发布
阅读量7.1k 收藏 4
点赞数
文章标签： auc到多少有意义
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/weixin_35998457/article/details/112886226
版权

AUC是一种衡量机器学习模型分类性能的重要且非常常用的指标,其只能用于二分类的情况.

AUC的本质含义反映的是对于任意一对正负例样本,模型将正样本预测为正例的可能性 大于 将负例预测为正例的可能性的 概率( :-) 没办法这句话就是这么绕, rap~).

AUC作为数值,那么到底是怎么来的?怎么理解它的意义?

在真正接触AUC之前,还需要了解两个概念, 分别是混淆矩阵(confusion matrix) 和 ROC曲线.

混淆矩阵:

混淆矩阵.png

可以看出混淆矩阵由四个值构成:

TP : 真实类别为1,且预测结果为1的样本个数,预测正确.

FP : 真实类别为0,且预测结果为1的样本个数,预测错误.

FN : 真实类别为1,且预测结果为0的样本个数,预测错误.

TN : 真实类别为0,且预测结果为0的样本个数,预测正确.

由混淆矩阵可以计算得到ROC曲线的关键参数:TPR(真正例率) 和 FPR(假正例率).

对TPR最通俗易懂的理解即将正例预测为正例的比例

对FPR最通俗易懂的理解即将负例预测为正例的比例(注意: TPR和FPR分子上表示的都是模型将样本预测为正例的情况,不过一个是预测正确一个是预测错误)

理解到这个程度就可以接触ROC曲线了

ROC curve

可以从图上面看出,FPR和TPR分别是ROC曲线的横坐标和纵坐标.对于ROC曲线有四个点需要单独拎出来理解,这对理解AUC也是很有帮助的.它们分别是:

[0, 0] :

最低0.47元/天 解锁文章
雀观代码
关注
  • 0
    点赞
  • 踩
  • 4
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
auc.zip_AUC_auc java_roc curve
09-23
AUC（Area Under the Curve）是评估分类模型性能的一个重要指标，特别是在二分类问题中。它基于ROC曲线（Receiver Operating Characteristic Curve），该曲线描述了真阳性率（True Positive Rate, TPR）与假阳性率...
ROC与AUC
我们的征途是星辰大海
10-02 190
ROC与AUC
准确率，精准率，召回率，真正率，假正率，ROC/AUC
热门推荐
chase
08-24 3万+
准确率，精准率，召回率，真正率，假正率，ROC/AUC
真正率-真负率
dataningwei的博客
12-23 8477
True Positive （真正, TP）被模型预测为正的正样本；True Negative（真负 , TN）被模型预测为负的负样本 ；False Positive （假正, FP）被模型预测为正的负样本；False Negative（假负 , FN）被模型预测为负的正样本；True Positive Rate（真正率 , TPR）或灵敏度（sensitivity） TPR = TP /
一文理清楚，准确率，精度，召回率，真正率，假正率，ROC/AUC
weixin_44467105的博客
02-14 2251
一.混淆矩阵 如上图为一个混淆矩阵， True Positive （真正, TP）被模型预测为正的正样本； True Negative（真负 , TN）被模型预测为负的负样本 ； False Positive （假正, FP）被模型预测为正的负样本； False Negative（假负 , FN）被模型预测为负的正样本； 相对应的， True Positive Rate（真正率 , TPR）或灵...
简单梳理对AUC的理解
pilipala6886
03-25 4300
     AUC（Area Under Curve）是机器学习中二分类模型的一个评价指标。定义为ROC曲线中下的面积，但我们先不管定义。    简单解释，AUC代表的是真阳性率（实际阳性、猜测阳性） > 伪阳性率（实际阴性、猜测阳性）的概率。    就拿预测患糖尿病概率这一事例来说，对于真的患有糖尿病的人我们当然应该尽可能预测为阳性，而对没患糖尿病的人应尽可能不预测为阳性，所以真阳性率应该尽...
svm.rar_AUC_ROC AUC_ROC和Auc_svm roc_支持向量机
09-24
总的来说，这个工具为研究者和开发者提供了一个方便的平台，用于快速评估支持向量机在二分类任务上的性能，通过AUC和ROC曲线的可视化，帮助他们更好地理解模型的工作机制，并据此进行模型调优。
auc_java_AUC_置信度_分类算法_预测_
10-02
1. AUC作为评价分类模型性能的指标，其重要性在于无偏且不受正负样本比例影响。 2. ROC曲线和AUC的计算方法，涉及排序和计数过程。 3. 置信度在分类预测中的含义，它是模型对预测的信心程度。 4. Java在实现AUC和...
AUC算法.rar_AUC_AUC和AUC24_分类算法AUC_单分类算法_药时曲线下面积
09-25
在这样的数据集上，准确率和召回率等指标可能会受到样本分布的影响，而AUC则能提供更全面的评价。 在医药领域，药时曲线下面积（AUC24）常用来描述药物在体内的药效时间过程。它通常用于评估药物的生物利用度，即...
预测模型评价指标.docx
09-04
预测模型评价指标 预测模型评价指标是预测模型性能评估的重要组成部分，主要从两个方面进行：区分度（Discrimination）和校准度（Calibration）。其中，区分度是指模型对样本的正确分类能力，而校准度是指模型对...
详解准确率acc、精确率p、准确率acc、F1 score
Sukey666666的博客
02-09 6144
准确率（Accuracy）、精确率（Precision）、召回率（Recall）、F1 Score
模型效果评估指标（ROC、AUC/KS、Lift、PSI）
baidu_38432186的博客
12-17 1万+
ROC/AUC
AUC（ROC曲线下方的面积大小）
weixin_44039930的博客
12-17 2402
AUC（Area Under Curve）被定义为ROC曲线下与坐标轴围成的面积，显然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。AUC越接近1.0，检测方法真实性越高;等于0.5时，则真实性最低，无应用价值。 ...
True(False) Positives (Negatives) 的含义
suifenghahahaha的博客
01-24 1200
出处：http://www.cnblogs.com/gnuhpc/ True Positive （真正, TP）被模型预测为正的正样本；可以称作判断为真的正确率 True Negative（真负 , TN）被模型预测为负的负样本 ；可以称作判断为假的正确率 False Positive （假正, FP）被模型预测为正的负样本；可以称作误报率 False Negati
模型评估——ROC曲线与AUC计算（真正率假正率）
Wxxx744的博客
10-14 3828
评估方法： 在学习得到的模型投放使用之前，通常需要对其进行性能 评估。为此， 需使用一个“测试集”（testing set）来测试 模型对新样本的泛化能力，然后以测试集上的“测试误差 ”（testing error）作为泛化误差的近似。 我们假设测试集是从样本真实分布中独立采样获得，所以 测试集要和训练集中的样本尽量互斥。 给定一个已知的数据集，将数据集拆分成训练集S和测试集 T，通常的做法包括留出法、交叉验证法、自助法。 评估指标： 要评估模型的好坏光有评估方法还不行，还得确定评估指标。 所谓评估指标就是
学习笔记-目标检测中正负样本的问题和精度、召回率的权衡
qwertyuiopwxwy的博客
04-09 524
之前在知乎刷到过一篇关于目标检测中正负样本的文章，从实际落地项目角度来看这个问题让我收益匪浅。进一步理解了精度和召回率的关系。纯量产经验：谈谈目标检测中正负样本的问题 - 知乎对于YOLO系列的结构，正负样本就是feature map上的每一个grid cell（或者说对应的anchor）。对于RCNN系列的结构，RPN阶段定义的正负样本其实和YOLO系列一样，也是每一个grid cell。
神经网络各种评判指标
网络架构
03-13 1万+
神经网络评判指标及关系一. IOU1. 什么是IOU（IntersecTIon over Union）二. 什么是准确率，精确率，召回率1. 基本概念2. 准确率（Accuracy）3. 精确率（Precision [查准率]）4. 召回率（Recall [查全率]）三. P-R曲线，F值1. P-R(Precision-Recall)2. F值 （F-Score [F-measure[均衡平均数]]）四. AP，mAP1. AP（Average Precision）2. mAP（mean Average
Hardware Engineering
最新发布
07-06
Hardware Engineering Resources This document provides a curated list of resources for learning about hardware engineering, including books, online courses, websites, professional organizations, and online communities. Whether you're a beginner or looking to deepen your knowledge, these resources cover a wide range of topics in hardware engineering.
roc和auc怎么评价指标的
09-17
ROC（Receiver Operating Characteristic）曲线和AUC（Area Under the Curve）是用于评价分类模型性能的指标。 ROC曲线是描述分类器在不同阈值下，真阳率（True Positive Rate，TPR）与假阳率（False Positive Rate，FPR）之间的关系曲线。ROC曲线横坐标是FPR，纵坐标是TPR。分类器的预测结果用一个连续的概率值表示，通过改变分类的阈值可以得到不同的TPR和FPR，在ROC曲线上显示出不同的点。ROC曲线越靠近左上角，即越接近向(0,1)移动，表示分类器的性能越好。当ROC曲线位于对角线的上方时，分类器的性能优于随机猜测。 AUC指的是ROC曲线下的面积，可以理解为ROC曲线与坐标轴围成的面积。AUC的取值范围是0到1之间，越接近1表示分类器的性能越好，越接近0.5表示分类器的性能越差（类似于随机猜测）。AUC的计算可以通过数值积分或者金斯伯格-莫尔根曼二分法（Gini index）进行估计。 通过ROC曲线和AUC指标，我们可以综合评价分类模型的性能。当我们需要在不同分类器之间进行比较时，可以直接比较它们的AUC值，AUC较大的分类器性能更优。同时，ROC曲线可以提供更详细的性能评估信息，尤其是在不同阈值下的分类效果。对于具体应用场景，可以根据具体需求选择适合的分类器和阈值，以更好地权衡模型的召回率和准确率，并实现最佳的性能。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值