机器学习实战(基于scikit-learn和TensorFlow)学习心得(15)--Receiver Operator Characteristic
2020-03-10 00:27
946 查看
从定义上来讲,ROC(Receiver Operator Characteristic)是
以TPR = TP / (TP + FN) = Recall为x轴,FPR = FP / (FP + TN)为y轴做的图相。
翻译成中文来说就是假设我们要从一堆图片中找到5这个数字的图片. TPR就是正确识别出5的图片数量除以所有5的数量.FPR就是被误以为是5但其实并不是5的图片的数量除以总的不是5的图片的数量.
那么一个典型的ROC曲线就是
为了更好的理解这条曲线,我们考虑极端情况,当我们的系统是完美的时候,我们识别出来了所有的5和非5,那么在这种情况下FPR=0 TPR=1
但是当我们的模型就是垃圾,他把所有的图片都识别为5时TPR=1,FPR=1.所以一个完美的模型的ROC应该是
注意就算是完美的模型如果我们持续降低我们判断的阈值也会使FPR升高.所以一个系统的好坏应该看的是ROC曲线的左上角有多块到达一个比较高的值,换句话说就是ROC曲线一开始的斜率高的模型是好模型.
- 点赞
- 收藏
- 分享
- 文章举报
相关文章推荐
- 机器学习实战(基于scikit-learn和TensorFlow)学习心得(23)--逻辑回归 Logistic Regression
- 机器学习实战(基于scikit-learn和TensorFlow)学习心得(22)--Elastic Net以及regression的选择
- 机器学习实战(基于scikit-learn和TensorFlow)学习心得(18)--Polynomial Regression 多项式回归和学习曲线
- 机器学习实战(基于scikit-learn和TensorFlow)学习心得(17)--梯度下降法
- 机器学习实战(基于scikit-learn和TensorFlow)学习心得(16)--最小二乘法求解线性回归以及多元线性回归参数
- 《机器学习实战:基于Scikit-Learn和TensorFlow》(第二章_try_it_out_工程实践问题概述)
- 《机器学习实战:基于Scikit-Learn和TensorFlow》(第二章_try_it_out)
- 机器学习实战(基于Scikit-Learn和TensorFlow)——第一章
- 《机器学习实战:基于Scikit-Learn和TensorFlow》(第二章_代码实现)
- 《机器学习实战:基于Scikit-Learn和TensorFlow》(第二章_读书笔记)
- 机器学习实战(基于Scikit-Learn和TensorFlow)(第2章)
- 机器学习自学进度与笔记整理——《机器学习实战:基于Scikit-Learn和TensorFlow》(第一章)
- 机器学习实战(基于Scikit-Learn和TensorFlow)(第1章)
- 【Python学习系列十八】基于scikit-learn库逻辑回归训练模型(delta比赛代码3)
- 分享《机器学习实战:基于Scikit-Learn和TensorFlow》高清中英文PDF+源代码
- 【Scikit-Learn 中文文档】15 特征选择 - 监督学习 - 用户指南 | ApacheCN
- 基于scikit-learn包实现机器学习之KNN(K近邻)
- 【4】构建基于scikit-learn的文本挖掘学习系统
- 机器学习实战:基于Scikit-Learn和TensorFlow(一)
- 【Python学习系列十七】基于scikit-learn库逻辑回归训练模型(delta比赛代码2)