ROC:Receiver operating characteristic Curve接受者操作特征的理解

概念

1. ROC是表示区分二分类真实情况的能力曲线图
2. 最初该方法是为军事雷达人员设计的,这也是该名字的来源

符号意义

P(positive):代表在真实数据集中的正类
N(negative):代表在真实数据集中的负类
true positive (TP):正确命中
true negative (TN):正确拒绝
false positive (FP):错误警告,也称一型错误.
false negative (FN):本身是正类,但被错误判断为负类,丢失正类,也称二型错误

Null	positive	negative
Predicted Positive	TP(将正类预测正确)	FP(将负类错误预测为正类)
Predicted Negative	FN(将正类错误预测为负类)	TN(将负类预测正确)

公式

预测正确率
$$ACC=\frac{TP+TN}{TP+FP+FN+TN}$$
正类发生率
$$Prevalence=\frac{TP}{TP+FP+FN+TN}$$

正类预测值Positive predictive value
$$PPV=\frac{TP}{TP+FP}$$

错误发生率
$$FDR=\frac{FP}{TP+FP}$$

召回率Recall
$$TPR=\frac{TP}{TP+FN}$$

伪正率(一类错误的发生率)
$$FPR=\frac{FP}{TP+FP}$$

ROC空间(ROC与x轴的面积)

ROC曲线是以FPR为横轴 TPR为纵轴的曲线,因此为了使结果尽可能可信\真实\可接受,所以TPR召回率尽量大,也就是让曲线往纵轴靠近,面积越接近

wiki