机器学习之ROC曲线
- 1.TPR与FPR计算
- 2.TPR、FPR与分类阈值的关系
- 3.生成ROC曲线
- 4.AUC计算
- 参考文献
本博客主要参考了https://www.evidentlyai.com/classification-metrics/explain-roc-curve。
1.TPR与FPR计算
真阳率TPR(True Positive rate),又称召回率recall rate。
假阳率FPR(False Positive rate):
2.TPR、FPR与分类阈值的关系
从下图中的例子可以看出,随着阈值升高,识别的阈值升高,阳性样本被识别出的概率(即TPR或召回率)降低;阴性样本被识别出的概率升高,因此假阳率FPR也降低。
极端的情况,当阈值为0时,所有样本都识别成了阳