metrics

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。


    image.png

  • FPR：在所有实际为阴性的样本中，被错误地判断为阳性之比率


    image.png

    image.png

  • micro-average ROC: 将各类别的fpr和tpr对应展开成单一roc

  • macro-average ROC: 计算各类别在相同fpr的tpr（通过插值法），相加并平均


    image.png

参考：
[1]:https://www.wikiwand.com/zh-hans/ROC%E6%9B%B2%E7%BA%BF
[2]:https://www.w3cschool.cn/doc_scikit_learn/scikit_learn-modules-model_evaluation.html?lang=en#roc-metrics
[3]:https://datascience.stackexchange.com/questions/15989/micro-average-vs-macro-average-performance-in-a-multiclass-classification-settin/16001#16001
[4]:https://www.w3cschool.cn/doc_scikit_learn/scikit_learn-auto_examples-model_selection-plot_roc.html?lang=en#sphx-glr-auto-examples-model-selection-plot-roc-py

最后编辑于 ：
©著作权归作者所有,转载或内容合作请联系作者
平台声明：文章内容（如有图片或视频亦包括在内）由作者上传并发布，文章内容仅代表作者本人观点，简书系信息发布平台，仅提供信息存储服务。