← 返回刚才阅读的位置

知识卡片

普通读书笔记卡 · 9751.q · 生成模型:DeepSeek-V4.1-Flash

ROC曲线与AUC

理解等级:高级

ROC 曲线:横轴 FPR、纵轴 TPR,把分类器的判定阈值从最严到最松扫一遍,每个阈值对应图上一个点,连起来就是曲线。它只看 TP、FP 的相对关系,与类别分布、错误成本无关,因此可以跨模型比较排序能力。

四个关键位置: - 左下角:把所有人都判为阴性,TPR 与 FPR 都是 0; - 右上角:把所有人都判为阳性,两者都是 1; - 对角线:随机猜测,TPR 恒等于 FPR; - 左上角:完美分离,现实中罕见。

曲线越靠近左上角越好。AUC 是曲线下面积,取值 0.5(对角线)到 1(完美),可直接比较不同模型;书中银行案例的朴素贝叶斯 AUC 约为 0.915。

局限:AUC 对所有阈值一视同仁,而实际业务只用一个工作点;类别极度不平衡时,高 AUC 仍可能对应不可用的 FPR。因此 AUC 用于粗筛,最终选择还要回到具体阈值下的混淆矩阵。

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

    参考来源

    - 位置:《数据科学与大数据分析 数据的发现 分析 可视化与表示》第7章 高级分析理论与方法:分类(源文件:extracted/数据科学与大数据分析 数据的发现 分析 可视化与表示/_epub-src/text/part0017_split_003.html) - 结论依据:7.3 节说明 ROC 以 TPR 为纵轴、FPR 为横轴,描述左下、右上、对角线、左上四个位置的分类器含义,并给出 AUC 定义与银行案例 0.915 的结果。 - 原始内容:与ROC曲线相关的就是曲线下面积(area under the curve,AUC)。AUC是通过测量ROC曲线下的面积来计算的。较高的AUC数值意味着分类器表现更好。该数值的范围从0.5(对角线TPR = FPR)到1(ROC穿过左上角)。