知识卡片
ROC曲线:阈值无关展示
在逻辑回归分类中通常设一个阈值,大于判正、小于判负;减小阈值会让更多样本判为正,提高正类识别率,也会让更多负类被误判为正,于是阈值成了一个直接影响泛化能力的超参数。ROC曲线正是形象展示这一变化的工具:横轴为假正类率FPR=FP/(FP+TN),纵轴为真正类率TPR=TP/(TP+FN);每个阈值对应一个FPR与TPR的点,调整阈值就连成一条经过(0,0)与(1,1)的曲线。y=x表示随机猜测(二分类随机猜对概率50%),曲线越靠近左上角(0,1)越好;说分类器A优于B,指A的曲线完全覆盖B,若有交点则只说明某些场合更优。用途:选合适阈值、看整体分布。边界与最大特性是当测试集正负样本分布变化时ROC能保持不变,特别适合类不平衡场景。
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
- 了解你手上的数据 3.3.5 ROC曲线 · 查看原书依据
原因在于 ROC 曲线有个很好的特性:当测试集中的正负样本的分布变化的时候,ROC 曲线能够保持不变。在实际的数据集中经常会出现样本类不平衡的情况,即正负样本比例差距较大,而且测试数据中的正负样本也可能随着时间变化。使用ROC曲线,不管数据集怎么变化,都有直观的展示效果。
参考来源
- 位置:《产品经理进阶:100个案例搞懂人工智能 (林中翘)》第3章《了解你手上的数据》(源文件:`../../book-sources/extracted/产品经理进阶:100个案例搞懂人工智能 (林中翘)/_epub-src/OEBPS/text00008.html`,来源项目 a19c7933-4eda-4176-aebd-30fe7e1ad292)
- 结论依据:原文强调ROC曲线在测试集正负样本分布变化时保持不变,支撑本卡阈值无关、适合不平衡场景的结论。
- 原始内容:原因在于 ROC 曲线有个很好的特性:当测试集中的正负样本的分布变化的时候,ROC 曲线能够保持不变。在实际的数据集中经常会出现样本类不平衡的情况,即正负样本比例差距较大,而且测试数据中的正负样本也可能随着时间变化。使用ROC曲线,不管数据集怎么变化,都有直观的展示效果。