机器学习中的ROC曲线与AUC面积

先看这张图，图中的虚线是阈值，大于这个阈值的将会被预测为正例，小于这个阈值的将会被预测为负例。当阈值从右往左滑动时，真正率会上升，假正率也会上升，当阈值为0时，两个都为1 .当阈值为1时，两个都为0.。我们的目的是让这两个峰值的横坐标尽可能远离，即没有交叠的部分。即当某个阈值的时候，真正率为1，假正率为0.即这个曲线越接近左上角，分类效果越好。这个曲线叫ROC曲线，auc即曲线下面的面积。面积越接近于1越好。

PS：召回率和准确率：准确率P是TP/(TP+FP)，召回率R是TP/(TP+FN)，和真正率一样。我们希望准确率和召回率都越高越好。F1=2PR/(P+R)=2TP/(2TP+FP+FN)当FP和FN越小时，F1越接近于1.

auc和F1是两个不同的评价指标。