怎样理解指标AUC

最新推荐文章于 2022-07-30 21:32:12 发布
最新推荐文章于 2022-07-30 21:32:12 发布
阅读量391 收藏
点赞数
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_39326879/article/details/106195046
版权

在理解AUC之前，首先理解一下以下两个指标:
TPRate的意义是所有真实类别为1的样本中，预测类别为1的比例。
FPRate的意义是所有真实类别为0的样本中，预测类别为1的比例。
在这里插入图片描述
以FRRate为横坐标,TPRate为纵坐标,这就构成了ROC曲线，AUC指的就是ROC曲线的面积
以上的AUC=0.5(TPRate>FPRate),这样的分类器是最差的,这样的分类器被认为是无效的,无论输入样本是正是负,判断为正的概率都是0.5.(如果TPRate<FPRate,将分类器的输出反过来就可以了).
我们希望的TPRate越大越好,FPRate越小越好,最起码TPRate>FPRate,才算是work的分类器.
最理想的情况AUC=0.1
就是一条平行X轴的直线.
在这里插入图片描述

Jumi爱笑笑
关注
  • 0
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
python计算auc指标实例
09-21
下面小编就为大家带来一篇python计算auc指标实例。小编觉得挺不错的，现在就分享给大家，也给大家做个参考。一起跟随小编过来看看吧
True(False) Positives (Negatives), 召回率和精度定义
luckydongbin的专栏
04-01 2万+
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
【机器学习笔记】：一文让你彻底理解准确率，精准率，召回率，真正率，假正率，ROC/AUC
Python数据科学
10-14 1万+
作者：xiaoyu 微信公众号：Python数据科学 知乎：python数据分析 非经作者允许，禁止任何商业转载。 ROC/AUC作为机器学习的评估指标非常重要，也是面试中经常出现的问题（80%都会问到）。其实，理解它并不是非常难，但是好多朋友都遇到了一个相同的问题，那就是：每次看书的时候都很明白，但回过头就忘了，经常容易将概念弄混。还有的朋友面试之前背下来了，但是一紧张大脑一片空白全...
TP Rate ,FP Rate, Precision, Recall, F-Measure, ROC Area,
weixin_33717298的博客
04-19 1642
TP Rate ,FP Rate, Precision, Recall, F-Measure, ROC Area, https://www.zhihu.com/question/30643044   T/F表示 true/false  表示预测的是不是对的 P/N表示 positive/negative  表示实际数据是正样本还是负样本 P/N表示 positive/negative  表示...
precision，recall，sensitivity， specificity ，mAP等几种评价指标
weixin_43508499的博客
08-07 1万+
目录1.图像分类准确率Accuracy2.Accuracy的缺点3.什么是precision、recall以及F1指标、ROC曲线4.mAP的计算 1.图像分类准确率Accuracy 假设有测试样本100张图像，其中有90张预测对了类别，则准确率为： Accuracy = 90/100*100% = 90% 2.Accuracy的缺点 假设测试样本100张，其中正例90张，负例10张，我们预测（瞎...
机器学习之AUC
降措的博客
06-11 3710
深入理解AUC AUC是什么 auc是roc曲线的面积，常用来评价二分类系统的好坏。 AUC如何计算 对于二分类问题，预测模型会对每一个预测样本一个得分p，然后选取一个阈值t，当p&gt;tp&gt;tp>t时，样本预测为正，当p&lt;=tp&lt;=tp<=t时样本预测为负。根据样本自身的标签值和模型预测的标签值，我们可以把样本划分为四个部分。分别是...
分类问题：导致AUC为0.5的原因及解决方案
qq_51174011的博客
03-09 1万+
神经网络：AUC为0.5 在训练模型的过程中遇到了AUC为0.5的情况，搜集了一些网络上的资料，简单的做了一个整理 1. 特征本身和标签之间没有关系 AUC为0.5，意味着模型趋于“随机预测”模型，ROC曲线近似于ROC图的对角线。 “特征本身和标签之间没有关系”看起来是一件不太可能发生的事，但实际中有可能会由调取数据过程出现的问题导致。 检查模型的特征和标签是否匹配可以检验该问题是否存在，若存在应匹配特征和标签 2. 原始数据的量纲差异过大 当原始数据的量纲相差过大，而标签中“0”的过多时，训练出的模型系
【机器学习】为什么随机分类时，AUC = 0.5？
喜东东的博客
01-03 1万+
关于ROC和AUC的介绍，可以参考维基百科。 这里仅谈个人对随机分类下ROC曲线的理解，即为什么随机分类时，AUC = 0.5？ 若理解有误，恳请大佬指导↖(^ω^)↗ 一、混淆矩阵： 二、ROC曲线： 横坐标：FPR = b1 / ( b1 + b2 ) = 预测为正，实际为负 /总负样本数 =负样本预测错误数 / 总负样本数 纵坐标：TPR = a1 / ( a...
auc.zip_AUC_auc java_roc curve
09-23
AUC实现源准备率和召回率。AUC的值介于0.5到1.0之间，较大的AUC代表了较好的Performance。
AUC计算方法与Python实现代码
01-21
AUC是ROC曲线下的面积，它是机器学习用于二分类模型的评价指标，AUC反应的是模型对样本的排序能力。它的统计意义是从所有正样本随机抽取一个正样本，从所有负样本随机抽取一个负样本，当前score使得正样本排在负样本...
利用Python画ROC曲线和AUC值计算
12-23
AUC(Area Under Curve)是机器学习二分类模型中非常常用的评估指标，相比于F1-Score对项目的不平衡有更大的容忍性，目前常见的机器学习库中(比如scikit-learn)一般也都是集成该指标的计算，但是有时候模型是单独的...
深度解析roc曲线、AUC与排序损失
Hi(●'◡'●)
07-30 1360
西瓜书ROC与AUC详解
ROC曲线与AUC值
weixin_30872789的博客
11-21 1509
本文根据以下文章整理而成，链接： （1）http://blog.csdn.net/ice110956/article/details/20288239 （2）http://blog.csdn.net/chjjunking/article/details/5933105 1.概述 　　AUC（Area Under roc Curve）是一种用来度量分类模型好坏的一个标准。这样的...
对AUC计算公式和几何意义的理解
Peter的脱发日记
05-18 1万+
关于AUC的一些理解1. AUC（Area Under ROC Curve）是对机器学习模型的一种性能度量，其直观的意义是ROC（Receiver Operating Characteristic）围成的面积，然而很多文章对AUC的计算公式与其直观意义“面积”的对应描述不甚明了，于是我花了一些时间研究了AUC的计算公式和几何意义，全是我个人理解，如有不对，还望指出。 本文代码在 https:...
如何直观理解AUC评价指标？
热门推荐
对半独白
10-29 7万+
最近一直在思考如何直观理解AUC，查了维基百科的以及网上的讲解描述，感觉仍然很难把这个概念表述得通俗易懂，直到昨天周会后拿笔在纸上画了画，感觉似乎找到了一种比较有意思的理解方法，下面就请各位看官容我慢慢道来。
auc 损失_《Machine Learning》 学习笔记二 ROC与AUC
weixin_39638105的博客
11-20 179
《Machine Learning》 学习笔记系列（2）ROC与AUC​ ROC（Receiver Operating Characteristic）全称是“受试者工作特征”,来源于“二战”中用于敌机检测的雷达信号分析技术，现在被引入了机器学习领域。​ 学习器对测试样本的评估结果一般为一个实值或概率，设定一个阈值，大于阈值为正例，小于阈值为负例，因此这个实值的好坏直接决定了...
机器学习 推荐系统常见指标计算
给我也整一个
03-18 902
文章目录机器学习常见指标计算Precision 、Recall 和F1 ScoreAUC 和 ROC推荐系统常见指标计算HR 和 NDCGMRR 和 MAPMSE、 RMSE和MAE 机器学习常见指标计算 Precision 、Recall 和F1 Score 精确率（Precision）和召回率（Recall）是机器学习中最常见的评估一个分类模型性能的指标。 预测为正 预测为负 ...
误报率、故障检测率、漏报率、虚警率、误警率等指标异同及计算公式
And_ZJ的博客
05-04 3万+
文章目录误报率、故障检测率、漏报率等指标1. 一些标准指标的计算true positive rate (tp rate)【真阳性率】, or hit rate 【命中率】, or recall 【召回率】：false positive rate (fp rate) 【假阳性率】, or false alarm rate：sensitivity【灵敏度】：specificity【特异度】：preci...
从TP、FP、TN、FN到ROC曲线、miss rate、行人检测评估
weixin_34112030的博客
02-05 1442
从TP、FP、TN、FN到ROC曲线、miss rate、行人检测评估   update 2018年1月31日22:21:56 最初版本是基于行人检测Piotr Dollar大佬的论文和代码胡乱写的 难免有错 严谨的paper请参考：The Relationship Between Precision-Recall and ROC Curves (ICML2006) , https...
roc和auc怎么评价指标的
最新发布
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...

“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