邢台市的做网站制作公司,免费笑话网站系统,一家专做特卖的网站,物流公司前十名排行榜ROC曲线#xff08;Receiver Operating Characteeristic Curve#xff09;是显示Classification模型真正率和假正率之间折中的一种图形化方法 解读ROC图的一些概念定义#xff1a; 真正#xff08;True Positive , TP#xff09;被模型预测为正的正样本 假负#xff08;F…ROC曲线Receiver Operating Characteeristic Curve是显示Classification模型真正率和假正率之间折中的一种图形化方法 解读ROC图的一些概念定义 真正True Positive , TP被模型预测为正的正样本 假负False Negative , FN被模型预测为负的正样本 假正False Positive , FP被模型预测为正的负样本 真负True Negative , TN被模型预测为负的负样本 真正率True Positive Rate , TPR或灵敏度sensitivity TPR TP /TP FN 正样本预测结果数 / 正样本实际数 假负率False Negative Rate , FNR FNR FN /TP FN 被预测为负的正样本结果数 / 正样本实际数 假正率False Positive Rate , FPR FPR FP /FP TN 被预测为正的负样本结果数 /负样本实际数 真负率True Negative Rate , TNR或特指度specificity TNR TN /TN FP 负样本预测结果数 / 负样本实际数 目标属性的被选中的那个期望值称作是“正”positive ROC曲线上几个关键点的解释 ( TPR0,FPR0 ) 把每个实例都预测为负类的模型 ( TPR1,FPR1 ) 把每个实例都预测为正类的模型 ( TPR1,FPR0 ) 理想模型 一个好的分类模型应该尽可能靠近图形的左上角而一个随机猜测模型应位于连接点TPR0,FPR0和TPR1,FPR1的主对角线上。 ROC曲线下方的面积AUC提供了评价模型平均性能的另一种方法。如果模型是完美的那么它的AUG 1如果模型是个简单的随机猜测模型那么它的AUG 0.5如果一个模型好于另一个则它的曲线下方面积相对较大。 转载于:https://www.cnblogs.com/rong86/p/3583952.html
