原文链接：http:///?p=6236ROC 曲线可能是评估评分分类器的预测性能的最常用的度量。 预测正类（+1）和负类（-1）的分类器的混淆矩阵具有以下结构：
这里，TP表示真阳性的数量（模型正确预测正类），FP表示误报的数量（模型错误地预测正类），FN表示假阴性的数量（模型错误地预测阴性类），TN表示真阴性的数量（模型正确预测阴性类）。 ROC曲线
<- function (y, y.hat, measure = \"tpr\" , x.measure = \"fpr\" ) {\n par(mfrow=c( 1 , 2 ))\n hist(y.hat[y == 0 ], col=rgb( 1 , 0 , 0 , 0.5 ), \n main = \"Score Distribution\" ,\n breaks=seq(min(y.hat),max(y.hat)+ 1 , 1 ), xlab = \"Prediction\" )\n hist(y.hat[y == 1 ], col = rgb( 0 ,0,1,0.5), add=T, \n breaks=seq(min(y.hat),max(y.hat) + \n pr <- prediction(y.hat, y)\n prf <- performance(pr, measure = measure, x.measure = x.measure)\n auc <- performance(pr, measure = \"auc\")@y.values[ \n plot(prf, main = \"Curve (AUC: \" ","classes":{"has":1},"lang":""}" data-cke-widget-upcasted="1" data-cke-widget-keep-attr="0" data-widget="codeSnippet">AUC是完美的分类器理想的分类器不会产生任何预测错误。这意味着分类器可以完美地分离这两个类，使得模型在产生任何误报之前实现100％的真正正率。因此，这种分类器的AUC是1，例如： AUC是一个很好的分类器将两个类分开但不完美的分类器看起来像这样： 可视化分类器能够在非常低的FPR下获得60％的灵敏度。 坏分类器的AUC错误的分类器将输出其值仅与结果稍微相关的分数。这样的分类器将仅以高FPR为代价达到高TPR。 只有在大约40％的FPR下，可视化分类器才能达到60％的灵敏度，这对于应该具有实际应用的分类器来说太高了。 随机分类器的AUC随机分类器的AUC接近0.5。这很容易理解：对于每个正确的预测，下一个预测都是不正确的。 分类器的AUC表现比随机分类器差[0.5,1][0.5,1] 可视化分类器在达到20％以上的灵敏度之前产生80％的FPR。 AUC-PR曲线精确回忆曲线绘制阳性预测值（PPV，y轴）与真阳性率（TPR，x轴）。这些数量定义如下： precisionrecall=PPV=TPTP+FP=TPR=TPTP+FNprecision=PPV=TPTP+FPrecall=TPR=TPTP+FN 例如，请考虑以下数据集：
在下文中，我将演示 AUC-PR 下的面积如何受预测性能的影响。 AUC-PR是完美的分类器理想的分类器不会产生任何预测错误。因此，它将获得1的AUC-PR： AUC-PR是一个好的分类器将两个类分开但不完美的分类器将具有以下精确回忆曲线： 可视化分类器在没有任何错误的正面预测的情况下达到约50％的召回率。 坏分类器的AUC-PR错误的分类器将输出其值仅与结果稍微相关的分数。这样的分类器只能以低精度达到高召回率： 召回率仅为20％时，分级机的精度仅为60％。 随机分类器的AUC-PR随机分类器的AUC-PR接近0.5。这很容易理解：对于每个正确的预测，下一个预测都是不正确的。 AUC-PR的分类器比随机分类器表现更差 |
|
|
