机器学习评价指标AUC_ROC

1.机器学习常见评价指标

为什么要用AUC作为二分类模型的评价指标呢？为什么不直接通过计算准确率来对模型进行评价呢？答案是这样的：机器学习中的很多模型对于分类问题的预测结果大多是概率，即属于某个类别的概率，如果计算准确率的话，就要把概率转化为类别，这就需要设定一个阈值，概率大于某个阈值的属于一类，概率小于某个阈值的属于另一类，而阈值的设定直接影响了准确率的计算。使用AUC可以解决这个问题，接下来详细介绍AUC的计算。

• AUC
  AUC是一个模型评价指标，用于二分类模型的评价。AUC是“Area under Curve（曲线下的面积）”的英文缩写，而这条“Curve（曲线）”就是ROC曲线。

ROC(Receiver Operating Characteristic)曲线,也就是受试者工作曲线，用于二分类判别效果的分析与评价.一般自变量为连续变量,因变量为二分类变量.

然后，我们计算两个指标的值：
  True Positive Rate=TP/(TP+FN)，代表将真实正样本划分为正样本的概率 真阳率
  False Positive Rate=FP/(FP+TN)，代表将真实负样本划分为正样本的概率 伪阳率
  接着，我们以“True Positive Rate”作为纵轴，以“False Positive Rate”作为横轴，画出ROC曲线。类似下图：<