混淆矩陣的概念：
**正**反
實際正tp
fn實際反
fptn
真陽性率=tp/(tp+fn)
偽陽性率=fp/(fp+tn)
在二維空間中，橫軸為偽陽性率，縱軸為真陽性率，改變演算法的引數，真陽性率和偽陽性率都會發生改變，將這樣的多個點串連起來，即得roc曲線，auc即為roc曲線下的面積（0.5當roc曲線為y=x時，代表將測試集中的乙個樣本**為正的概率等於將該樣本**為負的概率
所以roc曲線都在y=x的上方，且分類器的效能越好，則auc越接近1
對二分類模型，假設已確定乙個閾值，大於這個值**為正，小於這個值**為負，減小這個值，固然能夠識別更多的正類，但是更多的負類也會誤分類為正類，所以引入了roc曲線，roc曲線可以用於評價乙個分類器
機器學習中的AUC ROC曲線
作者 aniruddha bhandari 編譯 vk analytics vidhya 你已經建立了你的機器學習模型 那麼接下來呢？你需要對它進行評估，並驗證它有多好 或有多壞 這樣你就可以決定是否實現它。這時就可以引入auc roc曲線了。這個名字可能有點誇張，但它只是說我們正在計算 recei...
評價分類器效能指標之AUC ROC
本文內容大部分來自於如下兩個部落格 假設有下面兩個分類器，哪個好？樣本中有a類樣本90個，b 類樣本10個。a類樣本 b類樣本 分類精度 分類器c1 a 90 100 a 10 0 90 分類器c2 a 70 b 20 78 a 5 b 5 50 75 分類器c1把所有的測試樣本都分成了a類，分類器...
機器學習 初識機器學習
1.什麼是機器學習？對於機器學習到現在都還沒有統一的定義，但是，通過乙個例子和較權威的定義來理解機器學習，最後附上我個人對機器學習的理解 2.監督學習 1 監督學習基本思想 我們資料集中的每個樣本都有相應的 正確答案 即每個樣本都是真實值，再根據這些樣本作出 舉乙個房價預售的例子來說明 eg 下面圖...