ROC 曲线和 AUC 值
P | N | 合计 | |
---|---|---|---|
T | TP | FN | P |
F | FP | TN | N |
合计 | P’ | N’ | P+ N |
混淆矩阵的四个术语:真正例 / 真阳性(TP),真负例 / 真阴性(TN),假正例 / 假阳性(FP)、假负例 / 假阴性(FN)。
2、分类器涉及的常见评估度量:
度量 | 公式 |
---|---|
准确率 | (TP+TN)/(P+N) |
错误率 | (FP+FN)/(P+N) |
真正例率 / 召回率 / 查全率 | TP / (TP+FN) |
真负例率 | TN / N |
查准率 / 精度 | TP / P’ = TP / (TP+FP) |
假正例率 | FP / N = FP / (FP+TN) |
F1 分数 | 2*(查准率查全率)/ (查准率+查全率)=2TP /(P+N+TP-TN) |
3、ROC 曲线
横轴:假正例率 FPR=FP / N = FP / (FP+TN)
纵轴:真正例率 TPR=TP / (TP+FN)
1)、概率分类器对10个测试样本返回的预测概率值的排序表
ROC 曲线之下的那部分面积值就是模型的 AUC 值。
如果模型真的很好,随着有序列表向下移动,开始会遇到真正例样本,曲线将陡峭的从 0 开始上升;之后 ,遇到的真正例样本越来越少,假正例样本越来越多,曲线变得平缓趋于水品。
参考链接1
参考链接二
ROC 曲线和 AUC 值相关推荐
- 分类模型的ROC曲线、AUC值、GINI系数、Lift、Gain、KS指标分别是什么?计算公式是什么?有什么意义?
分类模型的ROC曲线.AUC值.GINI系数.Lift.Gain.KS指标分别是什么?计算公式是什么?有什么意义? 目录
- 机器学习之分类性能度量指标 : ROC曲线、AUC值、正确率、召回率
北京 | 高性能计算之GPU CUDA课程11月24-26日3天密集学习 快速带你晋级阅读全文> 在分类任务中,人们总是喜欢基于错误率来衡量分类器任务的成功程度.错误率指的是在所有测试样例中错分 ...
- 一文详尽混淆矩阵、准确率、精确率、召回率、F1值、P-R 曲线、ROC 曲线、AUC 值、Micro-F1 和 Macro-F1
文章目录 二分类的评价指标 一.混淆矩阵与 TP.TN.FP.FN 二.准确率.精确率.召回率.F1值 三.P-R 曲线 四.ROC 曲线.AUC 值 五.P-R曲线和ROC曲线有什么区别,如何选择? ...
- 机器学习中的度量指标:ROC曲线,AUC值,K-S曲线
机器学习中的度量指标:ROC曲线,AUC值,K-S曲线 首先,回顾一下二分类问题的一些定义: 预测 1 0 实 1 TP FN 际 0 FP TN 上表中,四个项分别为:TP真阳性:FN假阴性:FP ...
- 分类模型-评估指标(2):ROC曲线、 AUC值(ROC曲线下的面积)【只能用于二分类模型的评价】【不受类别数量不平衡的影响;不受阈值取值的影响】【AUC的计算方式:统计所有正负样本对中的正序对】
评价二值分类器的指标很多,比如precision.recall.F1 score.P-R曲线等.但这些指标或多或少只能反映模型在某一方面的性能.相比而言,ROC曲线则有很多优点,经常作为评估二值分类器 ...
- 正确率/精度(precision),召回率(recall),F1-score,ROC 曲线,AUC值
准确率(accuaracy)= (TP+TN)/ ALL 即(TP+TN+FP+FN),是我们最熟知的. 正确率/精度(precision),召回率(recall),F1-score,ROC 曲线,A ...
- 机器学习之分类器性能指标之ROC曲线、AUC值
机器学习之分类器性能指标之ROC曲线.AUC值 http://www.cnblogs.com/dlml/p/4403482.html 分类器性能指标之ROC曲线.AUC值 一 roc曲线 1.roc曲 ...
- 分类性能度量指标:ROC曲线、AUC值、正确率、召回率、敏感度、特异度
在分类任务中,人们总是喜欢基于错误率来衡量分类器任务的成功程度.错误率指的是在所有测试样例中错分的样例比例.实际上,这样的度量错误掩盖了样例如何被分错的事实.在机器学习中,有一个普遍适用的称为混淆矩阵 ...
- 机器学习之性能度量指标——决定系数R^2、PR曲线、ROC曲线、AUC值、以及准确率、查全率、召回率、f1_score
一.线性回归的决定系数(也称为判定系数,拟合优度) 相关系数是R哈~~~就是决定系数的开方! 正如题所说决定系数是来衡量回归的好坏,换句话说就是回归拟合的曲线它的拟合优度!也就是得分啦~~ 决定系数它 ...
- ROC曲线,AUC值,PR曲线,AP值
Receiver Operating Characteristic (ROC) with cross validation - scikit-learn 1.0.2 documentation Pre ...
最新文章
- kafka原理_Kafka动态配置实现原理解析
- 惯性制导精度是多少_什么叫惯性制导,惯性制导的重要性体现在哪里?
- 脑机接口猴子通过“意念”打游戏!马斯克:未来能让瘫痪者用意念玩手机
- 项目不需要SVN控制的时候,该怎么办
- python实现软件的注册功能(机器码+注册码机制)
- Linux利用PROMPT_COMMAND实现审计功能
- ubuntu14.04 安装pip vitualenv flask
- 【Todo】Java类型转换总结
- 苹果Mac高级音乐播放器:Swinsian
- 《游戏设计艺术(第2版)》——学习笔记(27)第27章 通过试玩创造好游戏
- 【BP数据预测】基于matlab蝙蝠算法优化BP神经网络数据预测【含Matlab源码 1379期】
- 音视频 H.264格式介绍
- 分享几个蛋白质互作网站——String (二)多基因蛋白互作
- 360公司2015年秋季校园招聘笔试考卷(技术类 D)部分试题程序验证和解析1
- 独木舟上的旅行(贪心)C/C++
- Symmetric Matrices
- android 隐藏wifi密码,手机连接隐藏wifi怎么设置密码 手机如何添加隐藏wifi?-192路由网...
- kindle paperwhite3 android,Kindle Paperwhite3入手20天感受
- 微信小程序——关于时间
- unity 回车_Unity InputField空格引起排版错误和回车换行