知识卡片
ROC与排序质量
ROC 曲线考察不同阈值下的真正例率 TPR 与假正例率 FPR,AUC 是曲线下面积,可理解为随机正例排名高于随机反例的概率,并对同分作相应处理。AUC 描述排序,不直接给出某个阈值的业务代价或概率校准质量。
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
- · 第5章 机器学习
原书出处 · 1 处
- 机器学习 · 查看原书依据
ROC曲线的纵轴是真正例率(True Positive Rate,TPR),横轴是假正例率(False Positive Rate,FPR)
参考来源
- 位置:《现代人工智能技术》第5章《机器学习》(来源项目:book-source;源文件:extracted/现代人工智能技术/_epub-src/EPUB/xhtml/chapter7.xhtml)
- 结论依据:原文定义 ROC 两轴,并将 AUC 与正反例排序损失联系起来。
- 原始内容:ROC曲线的纵轴是真正例率(True Positive Rate,TPR),横轴是假正例率(False Positive Rate,FPR)