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