探讨基于ROC与PR曲线的分类器阈值确定方法

早晨起床后回顾了相关阈值问题，并随后深入探讨了ROC受试者工作特征这一领域。在分析多组数据样本后发现可以利用该曲线进行统计分析从而获得分类器在不同阈值下的性能表现并最终确定最佳平衡点。该最佳平衡点即为ROC曲线与直线y=-x+1的交点

ROC曲线

该ROC曲线具有显著优点：在测试集的正负样本分布发生变化时（即分布变换），该曲线能够保持稳定。通常会遇到类别不平衡问题，在实际的数据集中表现得尤为明显（即比例失衡情况严重）。随着测试数据中正负样本的比例失衡可能加剧或改善（根据具体情况），或者受到时间推移或环境变化等外部因素的影响。

a和c分别代表ROC曲线,b和d分别代表Precision-Recall曲线。（a）及其（b）展示了该分类器在原始测试集（均衡的正负样本分布）上的表现,而（c）及其（d）则反映了将测试集中负样本数量增加至原来的10倍后的分类器结果。通过对比可以看出,ROC曲线基本上未发生显