AUC-ROC曲線

在機器學習中，性能評估是必不可少的任務，是以，當涉及分類問題時，我們可以使用AUC-ROC曲線進行評價，當需要檢查或可視化多類分類問題的性能時，我們使用AUC-ROC曲線，這是檢查任何分類模型性能的最重要的評估名額之一。

1. 什麼是AUC-ROC曲線？

AUC-ROC曲線是針對各種門檻值設定下的分類問題的性能度量。ROC是機率曲線，AUC表示可分離的程度或測度，它告訴我們多少模型能夠區分類别。

用TPR相對FPR繪制ROC曲線，其中TPR在y軸熵，FPR在x軸上，如圖：

AUC值就是ROC曲線下的面積（灰色部分），介于0.1和1之間，作為數值可以直覺的評價分類器的好壞，值越大越好。

• 若随機抽取一個陽性樣本和一個陰性樣本，分類器正确判斷陽性樣本的值高于陰性樣本之機率 = AUC值
• 簡單說：AUC值越大的分類器，正确率越高。

2. 定義

首先定義混淆矩陣：

[外鍊圖檔轉存失敗,源站可能有防盜鍊機制,建議将圖檔儲存下來直接上傳(img-qPJWudCs-1636598007516)(en-resource://database/2871:1)]

• TP(True Positive): 真實為1，預測也為1
• FN(False Negative): 真實為1，預測為0
• FP(False Positive): 真實為0，預測為1
• TN(True Negative): 真實為0，預測也為0

T/F 表示分類正确或者錯誤，P/N 表示預測是正例還是反例

TPR（真陽性率）/ 召回 / 敏感度

T P R = T P T P + F N TPR = \frac{TP}{TP + FN} TPR=TP+FNTP​

FPR （假陽性率）

F P R = F P T N + F P FPR = \frac{FP}{TN + FP} FPR=TN+FPFP​

橫縱坐标分别對應混淆矩陣裡面的兩行

縱坐标真（第一行），縱坐标假（第二行）

如何深刻了解 AUC-ROC 曲線

維基百科ROC曲線