知识卡片
ROC展示阈值的误报代价
ROC 曲线用不同阈值生成一系列 (FPR, TPR) 点。横轴 FPR 是实际负例遭误报的比例,纵轴 TPR 是实际正例被找到的比例。越靠左上通常表示能在较低误报率下找到较多正例,部署阈值仍取决于业务能承受多少误报。
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
- 机器学习概述 1.6.2 · 查看原书依据
9所示。可以看到该曲线的横坐标为假阳性率(False Positive Rate,FPR),负例分错的概率=FP/(FP+TN),俗称假警报率。纵坐标为真阳性率(True Positive Rate,TPR),正例分
参考来源
- 位置:《AI制胜:机器学习极简入门》第1章 机器学习概述 §1.6.2(来源项目 book-source:extracted/AI制胜:机器学习极简入门/_epub-src/OEBPS/Text/chapter1.xhtml#isbn9787302555513_1_1_2_15)
- 结论依据:原文定义 ROC 的两轴并用雷达判别计数演算曲线上的一点。
- 原始内容:9所示。可以看到该曲线的横坐标为假阳性率(False Positive Rate,FPR),负例分错的概率=FP/(FP+TN),俗称假警报率。纵坐标为真阳性率(True Positive Rate,TPR),正例分