ROC曲线和AUC值

---

前言

Roc曲线和auc值是分类模型的评估指标。
Auc是roc曲线下方面积。

---

一、混淆矩阵

ROC曲线的建立是基于混淆矩阵。
混淆矩阵：不损失信息的表示分类系统分类正确与否。首先要知道一共有x种分类，预测结果分类数量和上者相同，故一共会出现xx种情况。比如一共有6个要进行二分类的。真实值为0，而分类为0的1个，分类为1的2个；真实为1分类为0的2个，分类为1的1个。下表就是一个混淆矩阵。若有3类，则是33的矩阵，主对角线上的数为预测正确的数。希望主对角线上的数尽可能大，这样这个模型就比较好。

若用概率为横坐标表示分类器得到结果的概率，从而对类别进行预测；真实类别表示纵坐标。

设定一个阈值，当概率大于等于这个阈值是，分类器认为是（1），反之为不是（0）.假设阈值为0.5，那么这个混淆矩阵如下图。

阈值可以取0到1内任何数，所以可以得到很多混淆矩阵。

二、ROC曲线和AUC值

把所有混淆矩阵表示在同一个二维空间就是ROC曲线

对于一个混淆矩阵可以求两个指标TPR和FPR，用FPR表示横坐标，TPR表示纵坐标，一个混淆矩阵对应曲线上一点。不断移动阈值，直到阈值取得最大值，就会得到所有混淆矩阵，把这些点连起来就是混淆矩阵。TPR尽可能大，FPR尽可能小时，即越靠近左上角，越好。

即模型B比模型A要好。
如果用数字表示就是AUC值，AUC越大越好，AUC一般取0-1中的值。

---

总结

学习视频地址：https://www.bilibili.com/video/BV1wz4y197LU/?vd_source=3a369b537e1d34ff9ba8f8ab23afedec