ROC与AUC的分析

ROC,AUC

一，ROC:

受试者工作特征（Receiver Operating Characteristic);

 

二，AUC:

ROC曲线的面积就是AUC（Area Under the Curve),TA 用于衡量“二分类问题”机器学习算法性能（泛化能力）;

 

三，图示：

样本中的真实正例类别总数即TP+FN。TPR即True Positive Rate，TPR = TP/(TP+FN)。 
同理，样本中的真实反例类别总数为FP+TN。FPR即False Positive Rate，FPR=FP/(TN+FP)。

将结果中的FPR与TPR画到二维坐标中，得到的ROC曲线如下（蓝色线条表示），ROC曲线的面积用AUC表示（淡黄色阴影部分）。

   

 

四，提炼：

用下面描述表示TPR和FPR的计算过程，更容易记住

	TPR：真实的正例中，被预测正确的比例

	FPR：真实的反例中，被预测正确的比例