ROC曲线

在维基百科中对ROC是这样描述的：

在信号检测理论中，接收者操作特征曲线（receiver operating characteristic curve，或者叫ROC曲线）是一种座标图式的分析工具，用于 ：
(1) 选择最佳的信号侦测模型、舍弃次佳的模型。
(2) 在同一模型中设定最佳阈值。
在做决策时，ROC分析能不受成本／效益的影响，给出客观中立的建议。

举例来说，用血压值来检测一个人是否有高血压，测出的血压值是连续的实数，以收缩压140／舒张压90为阈值，阈值以上便诊断为有高血压，阈值未满者诊断为无高血压。

• 二元分类模型的个案预测有四种结局：
  
  • 真阳性（TP）：诊断为有，实际上也有高血压。
  • 伪阳性（FP）：诊断为有，实际却没有高血压。
  • 真阴性（TN）：诊断为没有，实际上也没有高血压。
  • 伪阴性（FN）：诊断为没有，实际却有高血压。
• TPR：在所有实际为阳性的样本中，被正确地判断为阳性之比率。
  
  • TPR　＝　TP／（TP＋FN）
• FPR：在所有实际为阴性的样本中，被错误地判断为阳性之比率。
  
  • FPR　＝　FP／（FP＋TN）
• ROC空间将伪阳性率（FPR）定义为 X 轴，真阳性率（TPR）定义为 Y 轴。给定一个二元分类模型和它的阈值，就能从所有样本的（阳性／阴性）真实值和预测值计算出一个 座标点 (X=FPR, Y=TPR)。

ROC曲线的绘图过程：给定m个正例，n个反例，根据学习器预测结果对样例进行排序，然后把分类阈值设为最大，即把所有样例均预测为反例，此时真正利率和假正利率均为0，在（0,0）处标记一个点，然后，将分类阈值设置为每个样例的预测值，即依次将每个样例划分为正例，然后用线段连接相邻节点即得。

---

从 (0, 0) 到 (1,1)的对角线将ROC空间划分为左上／右下两个区域，在这条线的以上的点代表了一个好的分类结果（胜过随机分类），而在这条线以下的点代表了差的分类结果（劣于随机分类）。

• 完美的预测是一个在左上角的点，在ROC空间座标 (0,1)点，X=0 代表着没有伪阳性，Y=1 代表着没有伪阴性。