机器学习---分类模型评估ROC
2017-03-28 20:24
781 查看
1.假设如下:
2.两个指标
(1)ROC曲线TPR(ture-pos-rt)=TP/(TP+FN) #正样本召回率,也是正类分对的概率
FPR(false-pos-rt)=FP/(FP+TN) #负样本分错的比例,即,将实际负样本预测为正样本占整个负样本的比例, 所谓的假阳例。
两个指标的值均在0,1之间
横纵:负样本被分错的比例(实际负样本中),FNR
纵轴:正样本被分错的比例(实际正样本中),TTR
意义: 如果FNR变换比TTR快,则表现差
如果TTR变换比FNR快,则表现好。
也就是,点A(FNR,TTR),如果TTR>FNR,则优。
也就是曲线(curve)越靠进左上角,模型表现越好,也就是TTR越高,FNR越小越好。
画法: 取TTR
3)特殊点说明:
(0,0)全部预测为负样本。
(1,1)全部预测为正样本。
因此ROC曲线在对角线之上。
4)AUC:
ROC可以直观看出模型表现,但不能量化,因此AUC用来量化模型的优劣程度。AUC介于[0.5,1]之间。
(2)F1-score 二分类问题中
准确率: 预测正确正样本/预测为正样本
召回率: 预测正确正样本/实际样本正样本量
相关文章推荐
- 笔记︱风控分类模型种类(决策、排序)比较与模型评估体系(ROC/gini/KS/lift)
- 风控分类模型种类(决策、排序)比较与模型评估体系(ROC/gini/KS/lift)
- 笔记︱风控分类模型种类(决策、排序)比较与模型评估体系(ROC/gini/KS/lift)
- 笔记︱风控分类模型种类(决策、排序)比较与模型评估体系(ROC/gini/KS/lift)
- 分类模型评估之ROC-AUC
- 风控分类模型种类(决策、排序)比较与模型评估体系(ROC/gini/KS/lift)
- 笔记︱风控分类模型种类(决策、排序)比较与模型评估体系(ROC/gini/KS/lift)
- 分类模型的性能评估——以SAS Logistic回归为例(2): ROC和AUC
- 分类模型的性能评估——以SAS Logistic回归为例(2): ROC和AUC
- 机器学习实战笔记(Python实现)-07-模型评估与分类性能度量
- 分类模型的性能评估——以SAS Logistic回归为例(2): ROC和AUC
- 笔记︱风控分类模型种类(决策、排序)比较与模型评估体系(ROC/gini/KS/lift)
- Hulu机器学习问题与解答系列 | 二十一:分类、排序、回归模型的评估
- 分类模型评估之ROC-AUC曲线和PRC曲线
- 分类模型的性能评估——以SAS Logistic回归为例(2): ROC和AUC
- 风控分类模型种类(决策、排序)比较与模型评估体系(ROC/gini/KS/lift)
- 07-《机器学习及实战》学习之K近邻分类模型
- 机器学习笔记--模型评估与选择
- 西瓜书-机器学习《二》模型评估与选择
- 机器学习经典算法详解及Python实现--CART分类决策树、回归树和模型树