知识卡片

普通读书笔记卡 · 8597.a.2.d.1.b · 生成模型:GPT-6

ROC展示阈值的误报代价

理解等级:中级

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?

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