面积曲线AUC（area under curve）

已于 2022-08-02 10:22:34 修改
阅读量666 收藏 1
点赞数 1
分类专栏： 目标跟踪 文章标签： 程序人生
于 2022-08-02 10:16:41 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/zbzcDZF/article/details/126116821
版权

原文链接

1 ROC

首先介绍 ROC。ROC 分析是从医疗分析领域引入了一种新的分类模型 performance 评判方法。

ROC的全名叫做Receiver Operating Characteristic，其主要分析工具是一个画在二维平面上的曲线——ROC curve。平面的横坐标是false positive rate(FPR)，纵坐标是true positive rate(TPR)。对某个分类器而言，我们可以根据其在测试样本上的表现得到一个TPR和FPR点对。这样，此分类器就可以映射成ROC平面上的一个点。调整这个分类器分类时候使用的阈值，我们就可以得到一个经过(0, 0)，(1, 1)的曲线，这就是此分类器的ROC曲线。一般情况下，这个曲线都应该处于(0, 0)和(1, 1)连线的上方。因为(0, 0)和(1, 1)连线形成的ROC曲线实际上代表的是一个随机分类器。虽然，用ROC curve来表示分类器的performance很直观好用。可是，人们总是希望能有一个数值来标志分类器的好坏。于是Area Under roc Curve(AUC)就出现了。

2 AUC

AUC是一种用来度量分类模型好坏的一个标准。顾名思义，AUC的值就是处于ROC curve下方的那部分面积的大小。通常，AUC的值介于0.5到1.0之间，较大的AUC代表了较好的performance。

AUC的计算方法总结：

AUC的值就是计算出ROC曲线下面的面积

 
 

学习更多编程知识，请关注我的公众号：

代码的路

代码的路
关注
专栏目录
AUC（Area Under Curve）
qq_41413211的博客
09-20 205
AUC有两种，ROC-AUC, PR-AUCROC由TPR, FPR画出PR由P和R画出注意 TPR==R。
R语言使用yardstick包的roc_auc函数和pr_auc函数分别计算二分类（binary）模型在ROC曲线下方的面积和PR曲线下方的面积AUC值（area under the curve)
data+scenario+science+insight
10-04 396
R语言使用yardstick包的roc_auc函数和pr_auc函数分别计算二分类（binary）模型在ROC曲线下方的面积和PR曲线下方的面积AUC值（AUC、area under the curve）
模型评估指标AUC（area under the curve）
热门推荐
03-07 13万+
AUC在机器学习领域中是一种模型评估指标。根据维基百科的定义，AUC(area under the curve)是ROC曲线下的面积。所以，在理解AUC之前，要先了解ROC是什么。而ROC的计算又需要借助混淆矩阵，因此，我们先从混淆矩阵开始谈起。 混淆矩阵 假设，我们有一个任务：给定一些患者的样本，构建一个模型来预测肿瘤是不是恶性的。在这里，肿瘤要么良性，要么恶性，所以这是一个典型的二分类...
AUC(Area Under roc Curve )计算及其与ROC的关系
chjjunking的专栏
10-11 5万+
让我们从头说起，首先AUC是一种用来度量分类模型好坏的一个标准。这样的标准其实有很多，例如：大约10年前在machine learning文献中一统天下的标准：分类精度；在信息检索(IR)领域中常用的recall和precision，等等。其实，度量反应了人们对” 好”的分类结果的追求，同一时期的不同的度量反映了人们对什么是”好”这个最根本问题的不同认识，而不同时期流行的度量则反映了人们认识事物的
AUC（Area Under the Curve，曲线下面积）
最新发布
weixin_44012667的博客
06-26 518
1. **ROC 曲线**：ROC 曲线是绘制真阳性率（TPR，True Positive Rate）与假阳性率（FPR，False Positive Rate）的一条曲线。- **真阳性率（TPR）**：正确识别为正类的样本数占所有实际为正类的样本数的比例，TPR = TP / (TP + FN)。- **假阳性率（FPR）**：错误识别为正类的样本数占所有实际为负类的样本数的比例，FPR = FP / (FP + TN)。- **AUC = 1.0**：模型具有完美的分类能力，可以完美区分正负样本。
Area under a curve
11-26 129
Area under a curve Area under a curve [Home] How to calculate areas under a function graph.This topic is part of the TCS FR...
AUC(Area under curve 即Roc曲线下面积)总结
史明礼的博客
08-23 8693
1.Roc曲线 Roc曲线：接收者操作特征（receiveroperating characteristic），roc曲线上每个点反映着对同一信号刺激的敏感性。 横轴：负正率（false postive rate FPR）特异度，划分实例中所有负例占所有负例的比例 纵轴：真正类率（true postive rate TPR）灵敏度，敏感度（正类覆盖率） 2.二分类问题 针对一个二分类问题...
【转】roc曲线与auc值
aaa2549769750的博客
09-13 254
https://www.cnblogs.com/gatherstars/p/6084696.html ROC的全名叫做Receiver Operating Characteristic，其主要分析工具是一个画在二维平面上的曲线——ROC curve。平面的横坐标是false positive rate(FPR)，纵坐标是true positive rate(TPR)。对某个分类器而言，...
AUC(Area under Curve Roc曲线下面积）计算方法总结
weixin_34060299的博客
06-11 2652
2019独角兽企业重金招聘Python工程师标准>>> ...
ROC曲线，AUC面积
dili8870的博客
03-24 3313
　　AUC(Area under Curve)：Roc曲线下的面积，介于0.1和1之间。Auc作为数值可以直观的评价分类器的好坏，值越大越好。 　　首先AUC值是一个概率值，当你随机挑选一个正样本以及负样本，当前的分类算法根据计算得到的Score值将这个正样本排在负样本前面的概率就是AUC值，AUC值越大，当前分类算法越有可能将正样本排在负样本前面，从而能够更好地分类。 1. 什么是...
如何用python计算梯形的面积_如何计算曲线下的部分面积（AUC）
weixin_39997194的博客
11-25 723
我执行了目前的最佳答案，但在所有情况下都没有给出正确的结果。我重新实现并测试了下面的实现。我还利用了内置的梯形AUC功能，而不是从头开始重建。def line(x_coords, y_coords):"""Given a pair of coordinates (x1,y2), (x2,y2), define the line equation. Note that this is the ent...
【转】AUC(Area Under roc Curve )计算及其与ROC的关系
weixin_30609331的博客
02-09 154
让我们从头说起，首先AUC是一种用来度量分类模型好坏的一个标准。这样的标准其实有很多，例如：大约10年前在machine learning文献中一统天下的标准：分类精度；在信息检索(IR)领域中常用的recall和precision，等等。其实，度量反应了人们对” 好”的分类结果的追求，同一时期的不同的度量反映了人们对什么是”好”这个最根本问题的不同认识，而不同时期流行的度量则反映了人们认识事物的...
模型评估标准AUC（area under the curve）、Precision、Recall、PRC、F1-score
qq_31965863的博客
10-14 5738
AUC值 AUC（area under the curve）由分类输出/结果得到的一个值，衡量分类效果。根据字面意思是曲线下面积，是一个范围在0和1之间的值，曲线下面积AUC是指ROC曲线下面积。AUC直观地反映了ROC曲线表达的分类能力（AUC ＝ 1，代表完美分类器，0.5 < AUC < 1，优于随机分类器，0 < AUC < 0.5，差于随机分类器）。 ROC曲...
ROC曲线面积AUC详解
午夜阳光
06-09 1万+
一、roc曲线 1.roc曲线：接收者操作特征(receiver operating characteristic), roc曲线上每个点反映着对同一信号刺激的感受性。 横轴：负正类率(false postive rate FPR)特异度，划分实例中所有负例占所有负例的比例；(1-Specificity) 纵轴：真正类率(true postive rate TPR)灵敏度，Sensitivity(正类覆盖率) 2. 针对一个二分类问题，将实例分成正类(postive)或者负类(negative)。但
ROC曲线与AUC面积
kunkunTalk
07-12 611
目录混淆矩阵ROC曲线 (receiver operating characteristic curves)AUC 面积 (Area under curves) 混淆矩阵 记住阳性阴性始终是预测的结果 ROC曲线 (receiver operating characteristic curves) 绘制目的： 得到一个合理的阈值 ROC曲线的绘制步骤 设定阈值 得到预测分类结果 得到混淆矩阵–>TP，FP 据这组TP,FP绘制坐标图，纵轴TP，横轴FP。 确定阈值的步骤： 当阈值设定极小时，所
AUC与ROC曲线面积的意义(细扒sklearn的AUC计算方法)
ywj_1991的博客
05-10 9836
本文我们详细介绍什么是AUC、ROC，和AUC的具体计算逻辑、实现代码，以及AUC的使用经验值。
药物敏感性评价指标
linkequa的博客
03-06 5896
药物处理细胞后会通过一系列指标对细胞的敏感性进行评估，主要有一下几个方面： Area Under the Curve (AUC) Half maximal inhibitory concentration (IC50) The concentration where the fitted curve crosses 50% in cell viability Half maximal effec...
模型评估-2
weixin_30606461的博客
01-25 434
一、分类算法的评估 1、二分类 ROC与AUC 1.1 roc曲线：接收者操作特征(receiveroperating characteristic) roc曲线上每个点反映着对同一信号刺激的感受性。横轴：负正类率(false postive rate FPR)特异度，划分实例中所有负例占所有负例的比例；(1-Specificity)；纵轴：真正类率(true postive rate TPR)灵...
Area Under the Curve(AUC)概念
03-27
Area Under the Curve (AUC)是一种用于衡量分类器性能的指标。在ROC曲线中，AUC表示ROC曲线下方的面积。ROC曲线是以False Positive Rate（FPR）为横坐标，True Positive Rate（TPR）为纵坐标绘制的曲线，用于表示分类器在不同阈值下的性能表现。AUC的取值范围在0到1之间，AUC越大表示分类器的性能越好。当AUC等于1时，表示分类器完美地对样本进行了分类，当AUC等于0.5时，表示分类器的性能和随机猜测相同，当AUC小于0.5时，表示分类器的性能比随机猜测还要差。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

代码的路

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值