知识卡片
ROC比较阈值下的误报
有分数的分类器从高到低移动判正阈值。每个阈值在 ROC 图上形成一点,横轴是假正例率 FP/(FP+TN),纵轴是真正例率 TP/(TP+FN),也就是召回率。特异度是 TN/(FP+TN),因此 ROC 横轴也可写成 1 减特异度。左上方表示少误报而多捕获。实际选阈值时,可先从业务容许的误报上限定出横轴范围,再比较相应召回率。
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
- 机器学习模型的度量指标 · 查看原书依据
假正例率(False Positive Rate,简称为FPR)和真正例率(True Positive Rate,简称为TPR)
参考来源
- 位置:《机器学习观止:核心原理与实践》第03章《机器学习模型的度量指标》(来源项目 book-source,`extracted/机器学习观止:核心原理与实践/_epub-src/OEBPS/Text/chapter3.xhtml`)。
- 结论依据:原文把阈值扫动与 ROC 曲线的形成放在一起解释,并列出两轴各自的分母。
- 原始内容:假正例率(False Positive Rate,简称为FPR)和真正例率(True Positive Rate,简称为TPR)