版权声明:本文为博主原创文章,未经博主允许不得转载。 https://blog.csdn.net/baidu_27643275/article/details/89091364
参考:https://blog.csdn.net/u013385925/article/details/80385873
AUC是ROC曲线下的面积
首先,介绍一下ROC曲线的绘制
ROC曲线
ROC曲线的横轴表示真正例率FPR
,纵轴表示假正例率FPR
可以简化为如下形式:
P表示所有样本中正例总数
N表示所有样本中负例总数
TP判断为正例的样本中判断正确的总数
FP判断为正例的样本中判断错误的总数
ROC曲线
根据不同阈值下的TPR和FPR绘制,每个阈值对应一组TPR和FPR,即对应ROC曲线上的一点
阈值如何选取呢?
阈值依次取每个样本的score,即依次将每个样本判断为正例,计算TPR和FPR,绘制ROC曲线(具体步骤在下面)
AUC
AUC:随机选取一个正例和一个负例,正样本的score大于负样本score的概率。(score模型预测结果,将样本预测为正例的概率)
AUC是ROC曲线下的面积,可以通过计算曲线下面积估算,但算法麻烦,不可取。
计算方法:
在有限样本中我们常用的得到概率的办法就是通过频率来估计之。
取m个正例和n个负例,可以组成m * n个正负例对
。考虑每一对正负例,若正例的预测值小于
负例,则记1个罚分;若相等
,记0.5个罚分。
实现