ROC 曲线 应 用 实 例 分 析

1 ROC分析相关

ROC(Receiver Operating Characteristic,受试者工作特征曲线)的概念源自信号检测理论中

• 最初是为了将噪声与非噪声区分开来

  • 在二分类问题中表现出良好的性能（属于两类：有或无）

  • 通过绘制基于(FPR, TPR)的二维坐标系中的曲线来生成ROC曲线

    • Recall = TPR = TP/(TP+FN) (True Positive Rate,也叫”sensitivity”或者”recall”或”召回率”或”查全率”或”真阳性率”)
    • FPR = FP/(FP+TN) (False Positive Rate,也叫”Fall-Out”或者”假阳性率”)

  • 其他相关的性能评价标准

Precision即为正确识别的正样本数量与所有被识别为正样本的数量之比。
Accuracy则代表正确分类的总样本数与总样本数之比。“其中P代表全部正类样本数量,N代表全部负类样本数量”这一表述同样适用。
而F-Measure则是精度与召回率的调和平均值。

这些概念如果不直接使用中文表达可能会有帮助。可以直接采用英文原意。否则可能会因不同文章中术语差异大而产生混淆。

本文旨在深入理解如何通过ROC曲线确定最佳分类器或最佳阈值。在以下实例分析中，请考虑以下场景：在一个应用领域