ROC(Receiver Operating Characteristic)曲线是用于评估二分类模型性能的一种常用工具。它以图形的方式展示了模型在不同阈值下的真正例率(True Positive Rate,也称为召回率)与假正例率(False Positive Rate)之间的权衡关系。
以下是ROC曲线的主要组成部分和计算方法:
-
真正例率(True Positive Rate,TPR):也称为召回率,是指在正例中,模型成功预测为正例的比例。它的计算公式是: TPR = TP / (TP + FN) 其中,TP表示真正例(模型正确地将正例分类为正例),FN表示假负例(模型将正例错误地分类为负例)。
-
假正例率(False Positive Rate,FPR):是指在负例中,模型错误地预测为正例的比例。它的计算公式是: FPR = FP / (FP + TN) 其中,FP表示假正例(模型错误地将负例分类为正例),TN表示真负例(模型正确地将负例分类为负例)。
-
阈值(Thres