ROC曲线(Receiver Operating Characteristic Curve)
分类模型尝试将各个实例(instance)划归到某个特定的类,而分类模型的结果一般是实数值,如逻辑回归,其结果是从0到1的实数值。这里就涉及到如何确定阈值(threshold value),使得模型结果大于这个值,划为一类,小于这个值,划归为另一类。
考虑一个二分问题,即将实例分成正类(positive)或负类(negative)。对一个二分问题来说,会出现四种情况。如果一个实例是正类并且也被预测成正类,即为真正类(True positive),如果实例是负类被预测成正类,称之为假正类(False positive)。相应地,如果实例是负类被预测成负类,称之为真负类(True positive),正类被预测成负类则为假负类(false negative)。
列联表如下表所示,1代表正类,0代表负类。
|
|
预测 |
|
|
|
|
1 |
0 |
合计 |
实际 |
1 |
True Positive(TP) |
False Negative(FN) |
Actual Positive(TP+FN) |
0 |
False Positive(FP) |
True Negative(TN) |
Actual Negative(FP+TN) |
|
合计 |
|
Predicted Positive(TP+FP) |
Predicted Negative(FN+TN) |
TP+FP+FN+TN |
从列联表引入两个新名词。其一是真正类率(true positive rate ,TPR), 计算公式为TPR=TP / (TP + FN),刻画的是分类器所识别出的正实例占所有正实例的比例。另外一个是负正类率(false positive rate, FPR),计算公式为FPR= FP / (FP + TN),计算的是分类器错认为正类的负实例占所有负实例的比例。还有一个真负类率(True Negative Rate,TNR),也称为specificity,计算公式为TNR=TN / (FP + TN) = 1 − FPR。
在一个二分类模型中,对于所得到的连续结果,假设已确定一个阀值,比如说 0.6,大于这个值的实例划归为正类,小于这个值则划到负类中。如果减小阀值,减到0.5,固然能识别出更多的正类,也就是提高了识别出的正例占所有正例的比类,即TPR,但同时也将更多的负实例当作了正实例,即提高了FPR。为了形象化这一变化,在此引入ROC。
Receiver Operating Characteristic,翻译为"接受者操作特性曲线",够拗口的。曲线是由两个变量的组合,1-specificity和 Sensitivity. 由于1-specificity=FPR,即负正类率。Sensitivity即是真正类率,True positive rate,反映了正类覆盖程度。这个组合以1-specificity对sensitivity,即是以代价(costs)对收益(benefits)。
参考wiki:http://en.wikipedia.org/wiki/Receiver_operating_characteristic
转自:http://blog.sciencenet.cn/blog-636598-550801.html
转载于:https://www.cnblogs.com/ywl925/p/3386882.html
ROC曲线(Receiver Operating Characteristic Curve)相关推荐
- ROC(receiver operating characteristic curve)曲线与ROC分析
ROC(receiver operating characteristic curve)曲线与ROC分析 目录 ROC(receiver operating characteristic curve) ...
- auc matlab,matlab ROC曲线(receiver operating characteristic)/AUC
ROC曲线 对于0,1两类分类问题,一些分类器得到的结果往往不是0,1这样的标签,如神经网络,得到诸如0.5,0,8这样的分类结果.这时,我们人为取一个阈值,比如0.4,那么小于0.4的为0类,大于等 ...
- ROC:Receiver operating characteristic Curve接受者操作特征的理解
概念 ROC是表示区分二分类真实情况的能力曲线图 最初该方法是为军事雷达人员设计的,这也是该名字的来源 符号意义 P(positive):代表在真实数据集中的正类 N(negative):代表在真实数 ...
- ROC(Receiver Operating Characteristic)曲线简介
最近在看一些医学和机器学习结合的论文,这些论文里面评价分类器的分类性能最常用的指标之一就是ROC曲线.同时我也注意到在一些涉及到实际应用的场景中,ROC曲线出现的频率也很高.鉴于以上原因,接下来我就对 ...
- R语言使用yardstick包的roc_curve函数评估多分类(Multiclass)模型的性能、查看模型在多分类每个分类上的ROC曲线(roc curve)
R语言使用yardstick包的roc_curve函数评估多分类(Multiclass)模型的性能.查看模型在多分类每个分类上的ROC曲线(receiver operating characteris ...
- 用matlab画出M1和M2的ROC曲线,ROC曲线及其matlab实现ROC曲线的绘画
ROC曲线(Receiver Operating Characteristic Curve)是利用Classification模型真正率(True Positive Rate)和假正率(False P ...
- 百面机器学习 #2 模型评估:0102 精确率与召回率,假阳性与真阳性率,PR曲线和ROC曲线
文章目录 1. P-R(Precision-Recall)曲线 F1 score 2. 平方根误差的局限性 3. ROC曲线 ROC曲线绘制 4. AUC predict Positive predi ...
- 【深度学习中模型评价指标汇总(混淆矩阵、recall、precision、F1、AUC面积、ROC曲线、ErrorRate)】
深度学习中模型好坏的所有评价指标汇总(混淆矩阵.recall.precision.F1score.AUC面积.ROC曲线.ErrorRate) 导航 0.混淆矩阵 1.AUC面积 2.ROC曲线 3. ...
- MATLAB绘制ROC曲线
ROC曲线(Receiver Operating Characteristic Curve) 1 简介 ROC曲线是用于评估二元分类模型(如Logistic回归)表现优劣的一种工具,其横轴表示假阳性率 ...
最新文章
- AI一分钟 | 美女机器人竟然想生孩子,太可怕了!比尔·盖茨当选中国工程院外籍院士
- MPB:中南大学刘学端、马丽媛组-基于16S测序和RT-qPCR的硫化矿物表面微生物群落组成分析...
- SignalR 中丰富多彩的消息推送方式
- java数据库编程——事务
- jsoup爬虫教程技巧_Jsoup V的幕后秘密:优化的技巧和窍门
- (37)VHDL实现RS触发器
- camera(17)---设置摄像头方向、打开线程与预览线程、设置参数、Camera外设按键、自动对焦与触摸对焦、拍照、人脸检测、位置管理、旋转管理、变焦、录像
- 2.vue的diff算法(2020.12.07)
- awr报告 解读_AWR报告分析解读
- 图解WIN7通过“磁盘管理”功能进行分区的详细过程
- carplay是否可以用安卓系统,carplay能连接安卓手机吗
- java 毕向东 内部类_内部类--毕向东Java基础教程学习笔记
- 12款精美的免费 HTML 网站模板下载
- ut红种状态解决办法汇总
- 只要 Github 域名指向任意 IP,该 IP 的 443 端口就会超时 3 分钟(TCPing, 80 端口正常)
- vue-awsome-swiper稳定版本3.1.3及使用方法,API见swiper官网https://www.swiper.com.cn/api/index.html
- javascript总复习
- 一文看尽 6篇 CVPR2021 2D 异常检测论文
- 度量满足条件——非负性、对称性和三角不等式
- 这是你希望的自由职业么
热门文章
- Transformer开始往动态路由的方向前进了!厦大华为提出TRAR,在VQA、REC上性能SOTA!(ICCV 2021)...
- 浙大三维视觉团队提出Animatable NeRF,从RGB视频中重建可驱动人体模型 (ICCV'21)
- PyTorch 多目标跟踪
- gitlable iphone_iPhone 12首批用户成“小白鼠”,“信号故障”躺枪者无数
- 谷歌、DeepMind提出高效Transformer评估基准
- CVPR | 旷视提出Meta-SR:单一模型实现超分辨率任意缩放因子
- Github | 标星3W+ ! Face Recognition世界上最简洁的人脸识别库!
- 怎样才能在自动驾驶任务中高效地利用时间轴上的信息进行视频检测?
- 半正定问题与二阶凸锥问题(SDPSOCP)
- 什么叫python代码的优化_优化Python代码