ROC曲线/AUC曲线与混淆矩阵介绍

本文共826个字,预计阅读时间需要3分钟。

ROC曲线

ROC(Receiver Operating Characteristic)曲线即受试者工作特征曲线 (receiver operating characteristic curve,简称ROC曲线),又称为感受性曲线(sensitivity curve),用来评价一个二值分类器(binary classifier)的优劣。

ROC曲线的横坐标为false positive rate(FPR),纵坐标为true positive rate(TPR)

混淆矩阵

接下来这张图是混淆矩阵。

先理解 一下
• 伪阳性率(FPR)
判定为正例却不是真正例的概率
• 真阳性率(TPR)
判定为正例也是真正例的概率
• 伪阴性率(FNR)
判定为负例却不是真负例的概率
• 真阴性率(TNR)
判定为负例也是真负例的概率

 

注意此图中P+N是所有的样本个数。
接下来考察四个点:
①(0,1):即FPR=0, TPR=1,这意味着FN(false negative)=0,并且FP(false positive)=0。Wow,它将所有的样本都正确分类。
②(1,0),即FPR=1,TPR=0,这个点的预测全部错误。
③(0,0),即FPR=TPR=0,即FP(false positive)=TP(true positive)=0,该分类器预测所有的样本都为负样本(negative)。
④(1,1),分类器实际上预测所有的样本都为正样本。

结论:ROC曲线越接近左上角,该分类器的性能越好。

AUC曲线

AUC(Area Under Curve)被定义为ROC曲线下的面积,这个面积的数值不会大于1。又由于ROC曲线一般都处于y=x这条直线的上方,所以AUC的取值范围在0.5和1之间。使用AUC值作为评价标准是因为很多时候ROC曲线并不能清晰的说明哪个分类器的效果更好,而作为一个数值,对应AUC更大的分类器效果更好。为什么呢,因为ROC曲线越接近左上角,AUC面积就越大,分类器性能就越好。

参考文献:孔明的博客、百度百科

读者评分
[评分人数: 3 平均分: 4]

评论

OmegaXYZ