本文主要是介绍机器学习中ROC及AUC通俗易懂的解释，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！
ROC（receiver operating characteristic curve）：接收者操作特征曲线。
AUC(Area Under Curve)：上面曲线与X, Y轴形成的最大面积。
如果你实在不理解ROC的中文注解，那就简单了解一下就行了， 点到为止吧！
步入正题
Step1: ROC
首先告诉你ROC的作用，你就能大概知道这个曲线大概是啥了：它用来衡量你的模型分类结果有多准确。
在列举几个你比须明白且简单的概率。
真_正例率（TPR， True Positive Rate）：你预测出的真的阳性数量（就是实际他是阳性，模型预测也是阳性） / 所有阳性的数量
假_正例率（FPR, False Positive Rate）：你预测出的假的阳性数量（就是实际他是阴性，模型却预测是阳性） / 所有阴性的数量
在简单一点理解，真_正例率（TP）指模型好！， 假_正例率（FP）指模型差！
ROC就是用上面两个值来绘制的曲线。看下图
中间的虚线代表模型最不好， TP和FP相等，所以模型完全随机分类， 红色的线代表模型分类效果还可以，TP>FP，当然如果是直接向上的话模型最好。那抬个杠， 如果曲线在虚线下边呢， 在下边的话就反向预测就OK了！
Step2：AUC
AUC即图示阴影面积， 当你读完上面ROC的原理时，其实AUC面积所代表的东西你也懂了吧。
结束结束end! 要钻研决策树了！ 再会!
这篇关于机器学习中ROC及AUC通俗易懂的解释的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！
