【Face Learning Notes】ROC曲线
2015-06-01 13:27
239 查看
二分类问题中的ROC(receiver operating characteristic curve)曲线示例如下:
二分类问题中,样本分为正样本(positive)和负样本(negative)。对于一个分类器的预测结果有正确(True)和错误(False)。所以对应的情况就有如下四种:
![](http://img.blog.csdn.net/20150601133227866)
ROC曲线的横坐标是假正类率(false positive rate),计算公式为:FPR=FP/(FP+TN),对应的是被预测为正样本的负样本占所有负样本的比率。纵坐标是真正类率(true positive rate),计算公式为TPR=TP/(TP+FN),对应的是被预测为正样本的正样本占所有正样本的比率。一般随着FPR的升高,TPR也会升高,下图是http://vis-www.cs.umass.edu/lfw/results.html上给出的人脸预测的ROC曲线:
二分类问题中,样本分为正样本(positive)和负样本(negative)。对于一个分类器的预测结果有正确(True)和错误(False)。所以对应的情况就有如下四种:
ROC曲线的横坐标是假正类率(false positive rate),计算公式为:FPR=FP/(FP+TN),对应的是被预测为正样本的负样本占所有负样本的比率。纵坐标是真正类率(true positive rate),计算公式为TPR=TP/(TP+FN),对应的是被预测为正样本的正样本占所有正样本的比率。一般随着FPR的升高,TPR也会升高,下图是http://vis-www.cs.umass.edu/lfw/results.html上给出的人脸预测的ROC曲线:
相关文章推荐
- 爬取某在线恶意软件仓库病毒文件进行分析
- JAVA中通过时间格式来生成唯一的文件名
- [数学学习3]函数的基本概念
- 程序员在他们的软件开发生涯中最常犯的7个错误
- windows下使用libcurl
- 【数据结构】栈的应用--数制转换(c++)
- 37.图形上下文栈
- 计算现有量
- java基础教程4 :Gui和绘图
- Mac 登录界面多了一个其它账户删除
- arduino 感光灯
- 浅谈TCP优化
- MfC 进度条控件
- 利用Scrapy爬取拉勾网某职位信息
- 数组基础
- JS 关于(function( window, undefined ) {})(window)写法的理解
- 智力题(第二集)
- MongoDB设置访问权限、设置用户
- Eclipse快捷键 10个最有用的快捷键
- 给字符数组赋值的方法