赵娜0418

2020-09-17   阅读量: 733

机器学习

如何理解ROC和AUC?

扫码加入数据分析学习群

ROC图表和曲线下面积(AUC)

ROC图表类似于增益或提升图表,因为它们提供了分类模型之间的比较手段。ROC图表显示X轴上的假阳性率(1-特异性),当其真实值为0时,目标的概率= 1,而在Y轴上显示真阳性率(灵敏度),目标的概率= 1时真值是1。

理想情况下,曲线将快速向左上方爬,这意味着模型正确预测了案例。对角线红线表示随机模型(ROC101)。





曲线下面积(AUC)

ROC曲线下的面积通常用作分类模型质量的度量。随机分类器的曲线下面积为0.5,而完美分类器的AUC等于1.实际上,大多数分类模型的AUC介于0.5和1之间。



例如,ROC曲线下面积为0.8的区域意味着目标等于1的组中随机选择的案例的得分大于该组中随机选择的案例的得分,其中目标等于0的80%时间。当分类器不能区分两组时,该区域将等于0.5(ROC曲线将与对角线重合)。当两组完全分离,即没有分布重叠时,ROC曲线下面积达到1(ROC曲线将到达图的左上角)。


37.1340 4 0 关注作者 收藏

评论(0)


暂无数据

推荐课程

推荐帖子