本文主要是介绍机器学习笔记（一）ROC与AUC的定义与概念，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！
综述
ROC综述为“受试者工作特征”（Receiver Operation Characteristic），其对于组织分类器和将分类器的性能可视化十分有用。
它最先由二战的电子工程师发明，用于侦测战场上的敌军载具，是信号检测理论的重要组成部分，最近经常用于机器学习和数据挖掘研究，可以用于：（1）选择最优的分类模型（2）在模型中设置最佳阈值
二分类常用公式
首先我们给出真阳性（true positive）、假阳性（false positive）、真阴性（true negative）和假阴性（false negative）的定义：
| 真实结果↓预测结果→ | 正例 | 反例 |
|---|---|---|
| 正例 | TP（真阳性） | FN（假阴性） |
| 反例 | FP（假阳性） | TN（真阴性） |
若为二元分类模型，则两类分别对应阳性和阴性；若是连续值则我们需要设置一个阈值，通过与这一个阈值比较来确定阴阳性。
我们定义真阳性率 T P R TPR TPR 和伪阳性率 F P R FPR FPR 如下：
T P R = T P P = T P T P + F N \large{TPR = \frac{TP}{P} = \frac{TP}{TP + FN}} TPR=PTP=TP+FNTP
F P R = F P N = F P F P + T N \large{FPR = \frac{FP}{N} = \frac{FP}{FP + TN}} FPR=NFP=FP+TNFP
类似，我们还有以下：
准确率 A C C = T P + T N P + N \large{ACC = \frac{TP + TN}{P + N}} ACC=P+NTP+TN
真阴性率 T N R = T N F P + T N TNR = \large{\frac{TN}{FP+TN}} TNR=FP+TNTN
阴性预测值 N P V = T N T N + F N \large{NPV=\frac{TN}{TN+FN}} NPV=TN+FNTN
阳性预测值 P P V = T P T P + F R \large{PPV=\frac{TP}{TP+FR}} PPV=TP+FRTP
假发现率 F D R = F P F P + T P \large{FDR=\frac{FP}{FP+TP}} FDR=FP+TPFP
ROC曲线绘制
我们以 T P R TPR TPR（真阳性率）和 F P R FPR FPR（伪阴性率）为纵轴和横轴，绘制ROC曲线：
若我们的样例数是有限的，则我们可以通过以下步骤绘制近似ROC图：
我们设前一个标记点坐标为 ( x , y ) (x, y) (x,y)，若当前为真阳性（ T P TP TP），则当前坐标为 ( x , y + 1 m + ) (x, y+\frac{1}{m^+}) (x,y+m+1)，若当前为伪阳性（ F P FP FP），则当前坐标为 ( x + 1 m − , y ) (x+\frac{1}{m^-}, y) (x+m−1,y)
若一个学习器的ROC曲线将另一个学习器的ROC曲线完全“包住”，则后者的性能优于前者；在交叉的情况下，我们通过判断ROC曲线下面的面积来判断学习器的优劣，故有了AUC的定义
AUC的定义与概念
AUC（Area under the Curve of ROC），顾名思义，其值为ROC曲线下面的面积
假定ROC曲线是由坐标为 { ( x 1 , y 1 ) , ( x 2 , y 2 ) , . . . . , ( x m , y m ) } \{(x_1, y_1), (x_2, y_2), ....,(x_m, y_m)\} {(x1,y1),(x2,y2),....,(xm,ym)}的点按序连接成的 ( x 1 = 0 , x m = 1 ) (x_1 = 0, x_m=1) (x1=0,xm=1)，则AUC可估算为
A U C = 1 2 ∑ i = 1 m − 1 ( x i + 1 − x i ) ⋅ ( y i + y i + 1 ) \large{AUC=\frac{1}{2}\sum_{i=1}^{m-1}(x_{i+1}-x_{i})\cdot(y_i+y_{i+1})} AUC=21∑i=1m−1(xi+1−xi)⋅(yi+yi+1)
根据AUC判断分类器优劣如下：
- A U C = 1 AUC=1 AUC=1，完美的分类器，对于这一个预测模型，至少存在一个阈值能够得到完美预测
- 0.5 < A U C < 1 0.5<AUC<1 0.5<AUC<1，由于随机预测，可以通过妥善设置阈值来提高预测价值
- A U C = 0.5 AUC=0.5 AUC=0.5，与随机预测一样，模型无预测价值
- A U C < 0.5 AUC<0.5 AUC<0.5，比随机预测还差，但是可以通过反预测而行来进行设置
参考资料
- ROC曲线 - 维基百科，自由的百科全书
- 《机器学习》- 周志华
这篇关于机器学习笔记（一）ROC与AUC的定义与概念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！
