ROC曲線【轉】

ROC曲線（Receiver Operating Characteeristic Curve）是顯示Classification模型真正率和假正率之間折中的一種圖形化方法

解讀ROC圖的一些概念定義：

真正（True Positive , TP）被模型預測為正的正樣本
假負（False Negative , FN）被模型預測為負的正樣本
假正（False Positive , FP）被模型預測為正的負樣本
真負（True Negative , TN）被模型預測為負的負樣本

真正率（True Positive Rate , TPR）或靈敏度（sensitivity）
TPR = TP /（TP + FN）
正樣本預測結果數 / 正樣本實際數
假負率（False Negative Rate , FNR）
FNR = FN /（TP + FN）
被預測為負的正樣本結果數 / 正樣本實際數
假正率（False Positive Rate , FPR）
FPR = FP /（FP + TN）
被預測為正的負樣本結果數 /負樣本實際數
真負率（True Negative Rate , TNR）或特指度（specificity）
TNR = TN /（TN + FP）
負樣本預測結果數 / 負樣本實際數

目標屬性的被選中的那個期望值稱作是“正”（positive）

ROC曲線上幾個關鍵點的解釋：

( TPR=0,FPR=0 ) 把每個實例都預測為負類的模型
( TPR=1,FPR=1 ) 把每個實例都預測為正類的模型
( TPR=1,FPR=0 ) 理想模型

?

?

一個好的分類模型應該盡可能靠近圖形的左上角，而一個隨機猜測模型應位于連接點（TPR=0,FPR=0）和（TPR=1,FPR=1）的主對角線上。

ROC曲線下方的面積（AUC）提供了評價模型平均性能的另一種方法。如果模型是完美的，那么它的AUG = 1，如果模型是個簡單的隨機猜測模型，那么它的AUG = 0.5，如果一個模型好于另一個，則它的曲線下方面積相對較大。

?

?

?

?

?

?