显著性检测模型的评价指标（一）——ROC曲线与AUC

显著性检测模型评价指标（一）——ROC曲线和AUC

• 一、预备知识
  • 二、ROC曲线与AUC指标
  • 三、MATLAB实现代码

近期本人正在从事与视觉显著性检测相关的研究工作，计划将自身的学习过程整理成文，以期能够为读者提供一定的参考价值。
由于个人学识有限，文章中可能存在不足或错误之处，恳请各位读者不吝赐教，对此表示诚挚的谢意。

一、准备知识

在深入理解ROC曲线与AUC概念之前，需要掌握一些基础知识。
设想一个二分类问题，在实际数据集中，部分样本的标签为1（正类），其余样本的标签为0（负类）。此时若有一个模型对这些样本进行预测，会将一部分样本判定为1（正类），另一部分判定为0（负类）。在此过程中存在如下定义：

TP(True Positive)：预测结果为正类，且真实类别也为正类。
FP(False Positive)：预测结果为正类，但真实类别实为负类。
TPR(True Positive Rate)：TPR=TP/(TP+FN)，即真正率。其表示实际属于正类的样本中被模型正确识别为正类的比例。
FPR(False Positive Rate)：FPR=FP/(FP+TN)，即假正率。其表示实际属于负类的样本中被错误识别为正类的比例。

二、ROC曲