关于推荐系统中的ROC和AUC深入解析

前言

这无疑是一个极为关键且基础的内容。对于模型而言，不同阈值将对其泛化能力产生影响。当需要对两个模型的泛化能力进行比较时，阈值的设定也会随之变化。因此，有必要综合考量所有阈值条件下模型的泛化表现，从而提升其在各类任务中的适用性。那么，在这种情况下，该如何对模型进行评估呢？ROC曲线是一种广泛采用的分析工具。

与我们之前提及的PR曲线（mAP）存在相似之处，但此前PR曲线的横纵坐标分别为查准率和查全率。而在当前场景下，坐标轴则被替换为真正例率（TPR）与假正例率（FPR），这两个指标均源自混淆矩阵的计算结果。如对此部分内容尚有疑问，建议参考我之前发布的相关文章目标检测指标mAP详解。

1、PR曲线和ROC曲线的区别

首先需要明确ROC曲线的概念，可以参考下述图表进行理解：

真正例率TPR：这一指标也被称为查全率，用于衡量在实际为正类的样本中，被模型正确识别为正类的比例，其对应的计算公式为

![\frac{1}{1+ 2 }](https://ad.itadn.com/c/weblog/blog-img/i