roc（receiver operating characteristic curve）：接收者操作特徵曲線。
auc(area under curve)：上面曲線與x, y軸形成的最大面積。
如果你實在不理解roc的中文註解，那就簡單了解一下就行了， 點到為止吧！
步入正題
step1: roc
首先告訴你roc的作用，你就能大概知道這個曲線大概是啥了：它用來衡量你的模型分類結果有多準確。
在列舉幾個你比須明白且簡單的概率。
真_正例率（tpr， true positive rate）：你**出的真的陽性數量（就是實際他是陽性，模型**也是陽性） / 所有陽性的數量
假_正例率（fpr, false positive rate）：你**出的假的陽性數量（就是實際他是陰性，模型卻**是陽性） / 所有陰性的數量
在簡單一點理解，真_正例率（tp）指模型好！， 假_正例率（fp）指模型差！
roc就是用上面兩個值來繪製的曲線。看下圖
中間的虛線代表模型最不好， tp和fp相等，所以模型完全隨機分類， 紅色的線代表模型分類效果還可以，tp>fp，當然如果是直接向上的話模型最好。那抬個槓， 如果曲線在虛線下邊呢， 在下邊的話就反向**就ok了！
auc即圖示陰影面積， 當你讀完上面roc的原理時，其實auc面積所代表的東西你也懂了吧。
結束結束end! 要鑽研決策樹了！ 再會!
瞎聊機器學習 PR曲線 ROC曲線 AUC
roc曲線經常作為評估二分類的重要指標，其起源於軍事領域，全稱叫做receiver operating characteristic curve。roc曲線是二維平面內的曲線，其橫座標為假陽性率 fpr 縱座標為真陽性率 tpr 他們的計算方法如下 上式中 舉個例子 假設有10個人疑似感冒了，其中有...
機器學習筆記（一）ROC與AUC的定義與概念
roc綜述為 受試者工作特徵 receiver operation characteristic 其對於組織分類器和將分類器的效能視覺化十分有用。它最先由二戰的電子工程師發明，用於偵測戰場上的敵軍載具，是訊號檢測理論的重要組成部分，最近經常用於機器學習和資料探勘研究，可以用於 1 選擇最優的分類模型...
機器學習和統計中的AUC
首先，在試圖弄懂auc和roc曲線之前，一定，一定要徹底理解混淆矩陣的定義！混淆矩陣中有著positive negative true false的概念，其意義如下 稱 類別為1的為positive 陽性 類別為0的為negative 陰性 正確的為true 真 錯誤的為false 偽 對上述概念進...