机器学习笔记上的roc曲线分析

该检测器的工作性能曲线称为（接收器操作特征曲线 receiver operating characteristic curve ROC curve）。

1. 基本概念

分类器表示实例到类的映射方法； roc用于评估二元分类模型的效果

二元分类模型的个案预测有四种结局：

1. 真阳性（TP）: 被诊断为阳性的人确实患病。
2. 伪阳性（FP）: 被诊断为阳性的患者实际上并未患病。
3. 真阴性（TN）: 被判断为阴性的个体实际不存在疾病。
4. 虚假阴性（FN）: 被判定为阴性的个体实际存在疾病。

2. roc空间

ROC空间将伪阳性率（FPR）定义为 X 轴，真阳性率（TPR）定义为 Y 轴。

• TPR：在所有实际为阳性的样本中，被正确地判断为阳性之比率。

• FPR：在所有实际为阴性的的样本中，被错误地判断为阳性之比率。

基于给定的一个二分类模型及其阈值参数，在所有样本中（按照阳性/阴性类别）的真实标签与预测结果即可确定一个（X=FPR, Y=TPR）的坐标点。

连接(0,0)与(1,1)这两个点的直线将ROC空间分为左上和右下两个区域。位于这条线上方的数据点表明了良好的分类效果（超过随机猜测的表现），而这些位于这条线下方的数据则表现出较差的效果（低于随机猜测）。

最佳预测结果位于坐标系的左上方位置，在RO