什么是ROC曲线？

ROC代表接受者操作特征曲线（Receiver Operating Characteristic）。ROC曲线是分析两个分类模型的便捷可视化工具。ROC曲线起源于二战期间为搜索雷达图像而产生的信号检测理论。

ROC曲线显示了给定模型的真阳性率或灵敏度（识别出的阳性元组的比例）与假阳性率（错误地将阴性元组识别为阳性元组的比例）之间的权衡。

在给定的二元分类问题中，它使我们能够预测模型准确识别“是”案例的比率与它错误地将“否”案例识别为“是”案例的比率之间的权衡，这适用于测试集的多个“部分”。真阳性率的增加伴随着假阳性率的增加。ROC曲线下的面积是模型准确性的评估指标。

对于给定的分类模型M，要绘制ROC曲线，该模型应该能够返回每个测试元组的预测类别的概率或排序。需要按降序排列测试元组，其中分类器认为通常属于阳性或“是”类的元组位于列表顶部。

朴素贝叶斯和反向传播分类器是合适的，而包括决策树分类器，可以简单地修改以针对每个预测返回类概率分布。ROC曲线的纵轴定义了真阳性率。横轴定义了假阳性率。M的ROC曲线绘制如下。

它从左下角开始（真阳性率和假阳性率均为0），可以测试列表中第一个元组的实际类别标签。如果它是真阳性（即正确识别的阳性元组），则在ROC曲线上，它可以向上移动并绘制一个点。

它显示了两个分类模型的ROC曲线。该图还显示了一条对角线，对于该模型的每个真阳性，通常会遇到一个假阳性。

因此，模型的ROC曲线越接近对角线，模型的效率越低。如果模型是最佳的，则当它向下移动排序列表时，它可能会遇到真阳性。因此，曲线可以从零点陡峭地上升。随后，当它开始遇到越来越少的真阳性和越来越多的假阳性时，曲线趋于平缓。

基尼

更新于：2022年2月16日

1K+ 次浏览

启动您的职业生涯

通过完成课程获得认证

开始