ROC 和 AUC
AUC是一种模型分类指标，且仅仅是二分类模型的评价指标。AUC是Area Under Curve的简称，那么Curve就是ROC（Receiver Operating Characteristic），翻译为”接受者操作特性曲线”。
ROC
曲线由两个变量TPR和FPR组成，这个组合以FPR对TPR，即是以代价(costs)对收益(benefits)。
-
x轴为假阳性率（FPR）：在所有的负样本中，分类器预测错误的比例
-
y轴为真阳性率（TPR）：在所有的正样本中，分类器预测正确的比例（等于Recall）
为了更好地理解ROC曲线，我们使用具体的实例来说明：
如在医学诊断中,判断有病的样本。那么尽量把有病的揪出来是主要任务，也就是指标TPR，要越高越好。而把没病的样本误诊为有病的，也就是指标FPR，要越低越好。
不难发现,这两个指标之间是相互制约的。如果某个医生对于有病的症状比较敏感，稍微的小症状都判断为有病,那么他的tpr指标应该会很高，但是fpr指标也就相应地变高。最极端的情况下,他把所有的样本都看做有病,那么tpr达到1,fpr指标也为1。
我们以FPR为横轴,TPR为纵轴,得到如下ROC空间。
文章出处登录后可见！
已经登录？立即刷新
