ML.NET 笔记

 ROC曲线　　

ROC空间将偽陽性率（FPR）定義為 X 軸，真陽性率（TPR）定义为 Y 轴。

    • TPR：在所有實際為陽性的樣本中，被正確地判斷為陽性之比率。
{\displaystyle TPR=TP/(TP+FN)}
    • FPR：在所有實際為阴性的样本中，被錯誤地判斷為陽性之比率。
{\displaystyle FPR=FP/(FP+TN)}

給定一個二元分類模型和它的閾值，就能從所有樣本的（陽性／陰性）真實值和預測值計算出一個 (X=FPR, Y=TPR) 座標點。

從 (0, 0) 到 (1,1) 的對角線将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（勝過隨機分類），而在这条线以下的点代表了差的分类结果（劣於隨機分類）。

完美的預測是一个在左上角的点，在ROC空间座标 (0,1)点，X=0 代表着没有偽阳性，Y=1 代表著沒有偽阴性（所有的陽性都是真陽性）；也就是說，不管分類器輸出結果是陽性或陰性，都是100%正確。一个随机的预测会得到位於从 (0, 0) 到 (1, 1) 对角线（也叫无识别率线）上的一个点；最直观的随机预测的例子就是抛硬币。

　　

 

 

posted on 2019-08-19 17:10  马什么梅  阅读(117)  评论(0)  编辑  收藏  举报

导航