admin 管理员组文章数量: 1087139
2024年4月15日发(作者：生死谍变解说)
模型评估指标AUC和ROC这是我看到的最透彻的讲解
在机器学习中，模型评估指标是用来衡量模型性能的指标，其中AUC
（Area Under Curve）和ROC（Receiver Operating Characteristic）
是评估二分类模型性能的常用指标之一
曲线：
ROC曲线是一种可视化模型分类性能的工具。它以"真正例率"（True
Positive Rate, TPR）为纵坐标、"假正例率"（False Positive Rate,
FPR）为横坐标，通过改变分类阈值绘制出一组点，连接这些点即可得到
ROC曲线。
定义以下概念：
- 真正例（True Positive, TP）：实际为正例且被正确预测为正例
的样本数。
- 假正例（False Positive, FP）：实际为负例但被错误预测为正例
的样本数。
- 真负例（True Negative, TN）：实际为负例且被正确预测为负例
的样本数。
- 假负例（False Negative, FN）：实际为正例但被错误预测为负例
的样本数。
TPR定义为：TPR = TP / (TP + FN)，表示实际为正例的样本中被正
确预测为正例的比例，也叫做"召回率"（Recall）。FPR定义为：FPR =
FP / (FP + TN)，表示实际为负例的样本中被错误预测为正例的比例。
：
AUC是ROC曲线下的面积，取值范围为[0,1]。AUC越大，说明模型性
能越好。
AUC的直观理解是在所有可能的分类阈值下，正例排在负例前面的概
率。AUC为1则表示所有正例都被正确分类，AUC为0.5则表示模型性能
等同于随机猜测。
AUC和模型性能的关系：
-AUC为1的模型完全正确地分类样本，不存在混淆。
-AUC为0.5的模型等同于随机猜测，没有分类能力。
-AUC小于0.5的模型是完全错误地分类样本，可以通过对预测值取
相反数进行修正。
曲线与AUC的应用：
-用于比较模型性能：当比较两个二分类模型时，可以通过比较它们
的ROC曲线和AUC值来判断哪个模型性能更好。
-用于分类阈值选择：通过改变分类阈值可以在ROC曲线上找到TPR
较高而FPR较低的点，从而选择一个合适的分类阈值。
以肿瘤诊断为例：假设利用机器学习算法对肿瘤样本进行二分类，分
别获得两个模型的预测结果，可以通过绘制它们的ROC曲线来比较性能。
根据ROC曲线来看，较靠近左上角的曲线更能够准确地诊断肿瘤，而AUC
值越大表示模型分类性能越好。
总结：AUC和ROC是评估二分类模型性能的重要指标。ROC曲线可以
直观地展现模型的分类性能，而AUC则量化了模型在分类任务中的性能，
有助于模型选择和分类阈值选择。
版权声明：本文标题：模型评估指标AUC和ROC这是我看到的最透彻的讲解 内容由网友自发贡献，该文观点仅代表作者本人， 转载请联系作者并注明出处：http://roclinux.cn/p/1713193923a623322.html， 本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌抄袭侵权/违法违规的内容，一经查实，本站将立刻删除。
发表评论