代码的路

V1

2022/08/02阅读:9主题:默认主题

面积曲线AUC(area under curve)

原文链接

1 ROC

首先介绍 ROC。ROC 分析是从医疗分析领域引入了一种新的分类模型 performance 评判方法。

ROC的全名叫做Receiver Operating Characteristic,其主要分析工具是一个画在二维平面上的曲线——ROC curve。平面的横坐标是false positive rate(FPR),纵坐标是true positive rate(TPR)。对某个分类器而言,我们可以根据其在测试样本上的表现得到一个TPR和FPR点对。这样,此分类器就可以映射成ROC平面上的一个点。调整这个分类器分类时候使用的阈值,我们就可以得到一个经过(0, 0),(1, 1)的曲线,这就是此分类器的ROC曲线。一般情况下,这个曲线都应该处于(0, 0)和(1, 1)连线的上方。因为(0, 0)和(1, 1)连线形成的ROC曲线实际上代表的是一个随机分类器。虽然,用ROC curve来表示分类器的performance很直观好用。可是,人们总是希望能有一个数值来标志分类器的好坏。于是Area Under roc Curve(AUC)就出现了。

2 AUC

AUC是一种用来度量分类模型好坏的一个标准。顾名思义,AUC的值就是处于ROC curve下方的那部分面积的大小。通常,AUC的值介于0.5到1.0之间,较大的AUC代表了较好的performance。

AUC的计算方法总结:

AUC的值就是计算出ROC曲线下面的面积

   

学习更多编程知识,请关注我的公众号:

代码的路

分类:

人工智能

标签:

图像处理

作者介绍

代码的路
V1

公众号:代码的路