3.ROC，準確率、召回率

ROC曲線一般用於分類問題，衡量分類模型好壞的一個指標

首先對樣本進行如下劃分

	預測真	預測假
實際真	TP（True Positive）	FN(False Negative)
實際假	FP(False Positive)	TN(True Negative)

 

概念一：真正類率 (true positive rate ,TPR)  TPR = TP/(TP+FN)

概念二：負正類率（false positive rate, FPR）FPR=FP/(FP+TN)

ROC橫座標是FPR，縱座標是TPR

延伸一：ROC與橫座標組成的面積爲AUC，AUC越大說明模型性能越好

 

精確率定義爲： 


                       

準確率描述的是預測爲真的樣本中實際爲真的概率

召回率定義爲： 


                       

召回率定義爲實際爲真的樣本中預測爲真的概率

 

若要求提高準確率，不在意召回率的時候，我們可以減少召回的數量，極端情況，只召回一個我們認爲最爲可能的物料，如果實際爲真那麼準確率就是100%