大家好，又见面了，我是你们的朋友全栈君。
ROC曲线标识了为了达到某个TPR（识别率），伴随而来的该分类器的FPR（误判率）是多少，体现了这两者的关系。
与ROC曲线类似的还有一个上升图，表示为了达到相应的识别率，需要投入的成本是多少（这个成本可以是样本数量）。
ROC 曲线的横坐标表示 一个负的实例被当作正实例的概率（FPR），纵坐标表示一个正的实例被当作正的实例的概率(TPR)。
当把所有的实例都分类成正的以后，TPR为100%，FPR也是100%，这解释了为什么ROC曲线必然过点（100%，100%）。
同理，如果把所有的实例都判为负类，那么，TPR为0，FPR也为0，所以曲线过原点。
ROC曲线的生成：可以通过将实例依照 肯定的（Positive）的概率从大到小排序，然后挨个分类，根据分类结果和真实结果从原点出发调整ROC曲线的前进方向完成绘制。
详见：http://www.doc88.com/p-808981321529.html
版权声明：本文内容由互联网用户自发贡献，该文观点仅代表作者本人。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容， 请联系我们举报，一经查实，本站将立刻删除。
发布者：全栈程序员-站长，转载请注明出处：https://javaforall.net/145617.html原文链接：https://javaforall.net
