ROC曲线

ROC曲线

ROC全称“受试者工作特征”(Receiver Operation Characteristic)曲线，其与P-R曲线相似（P-R曲线是查准率和查全率曲线）。

$$\begin{array}{rl}& P=\frac{TP}{TP+FP}\\ & R=\frac{TP}{TP+FN}\end{array}$$

$$F_{\beta }=\frac{\left(1+{\beta }^2\right)\times P\times R}{\left({\beta }^2\times P\right)+R}$$

当 $\beta$=1时，就为F-1score。

定义“真正例率”（True Positive Rate, 简称TPR）, “假正例率”（True negative Rate, 简称TNR）,
$$\begin{array}{rl}& \mathrm{T}\mathrm{P}\mathrm{R}=\frac{TP}{TP+FN}\\ & \mathrm{F}\mathrm{P}\mathrm{R}=\frac{FP}{TN+FP}\end{array}$$

如上图（a）所示横坐标是假正例率，纵坐标是真正例率。如果实际实验无法得到（a）所示的光滑的ROC曲线，因此可以通过离散的数据得到图（b）所示的离散折线ROC曲线图。

ROC曲线作用，用来比较学习器性能，与P-R曲线类似，如果一个学习器 a 的曲线完全包住另一个学习器 b 的曲线，则可以证明，学习器 a 的性能优于学习器 b 的性能。如果两条曲线交叉，则无法证明两者学习器的优略，因此可以通过比较曲线下方的面积，成为AUC(Area Under ROC Cureve)，如图所示。

为什么用比较面积大小就可以比较两个学习器性能？？