知识卡片
ROC与AUC
ROC(受试者工作特征)曲线以移动分类阈值得到的假正率(FPR)为横轴、真正率(TPR)为纵轴;对角线代表随机猜测,曲线在对角线下比随机猜测还差,完美分类器是横轴0纵轴1的折线。AUC 是 ROC 线下区域面积,1.0 最理想、0.5 随机。例中平均 ROC AUC≈0.75。准确率可视为 ROC 曲线上某单点的值,故 AUC 与准确率相互一致;类别不均衡时 AUC 更能洞察性能。
这张卡片看不懂?
这张卡片已通过人工审查,不再接受失败反馈。
已有反馈 · 0 条
还没有人提交反馈。
在整书笔记中的位置
原书出处 · 1 处
- 模型评估与参数调优实战 · 查看原书依据
基于ROC曲线,我们就可以计算所谓的ROC线下区域(area under the curve,AUC),用来刻画分类模型的性能
参考来源
- 位置:《Python机器学习》第6章《6.5.3 绘制ROC曲线》(源文件:`../../book-sources/extracted/Python机器学习/_epub-src/OEBPS/Text/part0095.xhtml.xhtml)
- 结论依据:原文直接支撑上述要点。
- 原始内容:基于ROC曲线,我们就可以计算所谓的ROC线下区域(area under the curve,AUC),用来刻画分类模型的性能