ROC曲线含义 绘制 解读，AUC指标

ROC与AUC的含义绘制与解读

1.ROC曲线

ROC曲线是研究学习其泛化性能的有效工具，体现综合考虑学习器在不同任务下“期望泛化性能”的好坏。

ROC曲线的纵轴是“真正例率”TPR（true positive rate）和“假正例率”FPR(false positive rate)
$$TPR=TP/(TP+FN)$$

$$FPR=FP/(TN+FP)$$

真正例率：真正例在所有实际正例中占比 （正例中被挑出来对的）

假正例率：假正例在所有实际反例中占比 （反例中被挑错的）

曲线的突起程度越高，模型准确率越高

曲线越接近对角线，模型准确率越低

2.AUC指标

ROC曲线下方与X轴围成的面积，AUC是一个数值，在0-1之间

一般情况下，AUC越大，模型越好

AUC=1:是完美的分类器，该模型至少存在一个阈值，可以将正负样本完美的分开

0.5<AUC<1 : 优于随机猜测，数值越大，分类器越好

AUC<0.5 ：比随机猜测要差，然而若反向预测，该模型也可由于随机猜测

3.ROC曲线绘制

分类模型的输出结果中包含一个0-1的概率值，该概率代表着对应样本被预测为某类别的可能性。通过阈值来划分正负例，概率大于阈值的为正例，概率小于阈值的为负例

如：

样本ID	预测概率	阈值=0.9	阈值=0.5	原本类别
1	0.95	正	正	正
2	0.86	负	正	负
3	0.64	负	正	正
4	0.43	负	负	负

①将全部样本按概率进行递减排序

②阈值从1变更至0，计算各阈值下对应的（FPR，TPR）数值对

③将数值对绘于直角坐标系中

4.ROC曲线解读

可以将横轴理解为代价，纵轴理解为收获

学习内容来源：1.《机器学习》西瓜书

2.https://www.bilibili.com/video/BV1SK4y1K7v3?from=search&seid=1303005528789776454&spm_id_from=333.337.0.0