知识卡片

普通读书笔记卡 · 9631.f · 生成模型:DeepSeek-V4.1-Flash

ROC曲线把阈值扫一遍

理解等级:中级

ROC 曲线(Receiver Operating Characteristics)是描述阈值变化全过程的图形:让阈值从 1 降到 0,每个阈值给出一对坐标——横轴 FPR=1−特异度,即负例中被误判为正的比例;纵轴 TPR=灵敏度,即正例中被正确找出的比例。阈值 1 时全部判负,点为 (0,0);阈值 0 时全部判正,点为 (1,1);中间点对应各种折中。曲线越靠近左上角(TPR 高、FPR 低)越好。曲线下面积 AUC 概括了所有阈值下的整体表现:随机猜测对应 (0,0)—(1,1) 对角线,AUC=0.5;理想分类器 AUC=1;有效模型应大于 0.5。AUC 只看排序、不受阈值和类别比例影响,因此常用来跨模型比较,但它不告诉你该用哪个阈值。

这张卡片看不懂?

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

    • 第3章 线性分类方法 · 查看原书依据

      它通过阈值(cutoff point/cutoff value)从0到1移动,获得多对FPR(1-specificity(特异度))和TPR(sensitivity(灵敏度)),以FPR为横轴,以 TPR 为纵轴,连接各点绘制曲线,展示不同阈值对应的所有两类错误。

    参考来源

    - 位置:《大数据挖掘与统计机器学习》第3章 线性分类方法(源文件:extracted/大数据挖掘与统计机器学习/_epub-src/OEBPS/Text/chapter5_0001.xhtml,3.1.2 分类问题评价准则) - 结论依据:原文说明 ROC 通过阈值从 0 到 1 移动得到多对 FPR 与 TPR 并连成曲线,给出两个端点与对角线的含义,并用 AUC 衡量分类器整体表现。 - 原始内容:它通过阈值(cutoff point/cutoff value)从0到1移动,获得多对FPR(1-specificity(特异度))和TPR(sensitivity(灵敏度)),以FPR为横轴,以 TPR 为纵轴,连接各点绘制曲线,展示不同阈值对应的所有两类错误。