學習ROC

首先，我們來了解一下常用的決策分類：

在評價一種檢測方法的效果是，人們常用到兩個概念：靈敏度$Sn$和特異度$Sp$。
$Sn=\frac{TP}{TP+FN}, Sp=\frac{TN}{TN+FP}$
靈敏度表示真正的陽性樣本中有多少比例能被正確檢測出來，特異度表示在真正的陰性樣本中有多少比例沒有被誤判，它們分別表示了所研究的方法能夠把陽性樣本正確識別出來的能力和把陰性樣本正確判斷出來的能力。（摘自書本）

ROC曲線
ROC: Receiver Operating Characteristic
縱軸爲：真陽性率（靈敏度）
橫軸爲：假陽性率（$1-$特異度）

ROC曲線常被用來比較兩種分類判別方法的性能和被用來作爲特徵與類別相關性的度量。
對於一個決策方法，人們總是希望其真陽性率高、假陽性率低。ROC曲線越靠近左上方，說明方法性能越好。爲了方便比較ROC曲線，人們發現可以用曲線下的（相對）面積即AUC(area under ROC curvers)來定量地衡量方法的性能。對角線的AUC是0.5，沒有任何分類能力。AUC越接近1.0，方法的性能越好。

注：如無特殊說明，以上博文中的圖片均來源於張學工所著《模式識別》第三版