机器学习ROC图解读

 分类器评估指标

对于二分类问题，可将样例根据其真实类别和分类器预测类别划分为：
真正例（True Positive，TP）：真实类别为正例，预测类别为正例。
假正例（False Positive，FP）：真实类别为负例，预测类别为正例。
假负例（False Negative，FN）：真实类别为正例，预测类别为负例。
真负例（True Negative，TN）：真实类别为负例，预测类别为负例。

精确度，召回率，真阳性，假阳性

精确度( precision )：TP / ( TP+FP ) = TP / P  

召回率（recall）：TP / (TP + FN ) = TP / T

真阳性率（True positive rate）：TPR = TP / ( TP+FN ) = TP / T  （敏感性 sensitivity）

假阳性率（False positive rate）：FPR = FP / ( FP + TN ) = FP / F  （特异性：specificity）

准确率（Accuracy）：Acc = ( TP + TN ) / ( P +N )

F-measure：2*recall*precision / ( recall + precision )

ROC曲线：FPR为横坐标，TPR为纵坐标

PR曲线：recall为横坐标，precision 为纵坐标

ROC图

• 纵坐标是true positive rate(TPR)  = TP / (TP+FN=P) （分母是横行的合计）直观解释：实际是1中，猜对多少
• 横坐标是false positive rate(FPR) = FP / (FP+TN=N)  直观解释：实际是0中，错猜多少