ROC曲线，AUC，和P-R曲线的关系

ROC曲线，AUC，和P-R曲线的关系

前言：二值分类器的指标很多，比如precision、recall、F1 score、P-R曲线 等
发现这些指标或多或少只能反映模型在某一方面的性能。相比而言，ROC曲线则有很多优点，经常作为评估二 值分类器最重要的指标之一。

P-R曲线

Precision（查准率）：P=TP/（TP+FP） 即预测结果中真正的正例的比例。
Recall（查全率）：R=TP/（TP+FN） 即所有正例中被正确预测出来的比例。
PR曲线，横坐标是Recall，纵坐标是precision
P-R曲线的横轴是召回率，纵轴是精确率。对于一个排序模型来说，其P-R曲 线上的一个点代表着，在某一阈值下，模型将大于该阈值的结果判定为正样本， 小于该阈值的结果判定为负样本，此时返回结果对应的召回率和精确率。整条P-R 曲线是通过将阈值从高到低移动而生成的。图2.1是P-R曲线样例图，其中实线代表 模型A的P-R曲线，虚线代表模型B的P-R曲线。原点附近代表当阈值最大时模型的 精确率和召回率。

由图可见，当召回率接近于0时，模型A的精确率为0.9，模型B的精确率是1， 这说明模型B得分前几位的样本全部是真正的正样本，而模型A即使得分最高的几 个样本也存在预测错误的情况。并且，随着召回率的增加，精确率整体呈下降趋 势。但是，当召回率为1时，模型A的精确率反而超过了模型B。这充分说明，只用 某个点对应的精确率和召回率是不能全面地衡量模型的性能，只有通过P-R曲线的 整体表现，才能够对模型进行更为全面的评估。

ROC曲线

ROC曲线的横坐标是假（false）阳（positive）性（rate），纵坐标是真（true）阳（positive）性，（PR曲线，横坐标是Recall，纵坐标是precision）

P是真实的正样本的数量（TP+FN），N是真实的负样本的数量（FP+TN），TP是P个正样本中 被分类器预测为正样本的个数，FP是N个负样本中被分类器预测为正样本的个 数。
栗子：
我们举一个医院诊断病 人的例子。假设有10位疑似癌症患者，其中有3位很不幸确实患了癌症(P=3)， 另外7位不是癌症患者(N=7)。医院对这10位疑似患者做了诊断，诊断出3位癌症 患者，其中有2位确实是真正的患者(TP=2)。那么真阳性率TPR=TP/P=2/3。对 于7位非癌症患者来说，有一位很不幸被误诊为癌症患者(FP=1)，那么假阳性率 FPR=FP/N=1/7。对于“该医院”这个分类器来说，这组分类结果就对应ROC曲线上 的一个点(1/7，2/3)。

如何画ROC

事实上，ROC曲线是通过不断移动分类器的“截断点”来生成曲线上的一组关
键点的，通过下面的例子进一步来解释“截断点”的概念。
在二值分类问题中，模型的输出一般都是预测样本为正例的概率。假设测试 集中有20个样本，表2.1是模型的输出结果。样本按照预测概率从高到低排序。在 输出最终的正例、负例之前，我们需要指定一个阈值，预测概率大于该阈值的样 本会被判为正例，小于该阈值的样本则会被判为负例。比如，指定阈值为0.9，那 么只有第一个样本会被预测为正例，其他全部都是负例。上面所说的“截断点”指 的就是区分正负预测结果的阈值。
通过动态地调整截断点，从最高的得分开始(实际上是从正无穷开始，对应 着ROC曲线的零点)，逐渐调整到最低得分，每一个截断点都会对应一个FPR和 TPR，在ROC图上绘制出每个截断点对应的位置，再连接所有点就得到最终的 ROC曲线。

就本例来说，当截断点选择为正无穷时，模型把全部样本预测为负例，那 么FP和TP必然都为0，FPR和TPR也都为0，因此曲线的第一个点的坐标就是 (0,0)。当把截断点调整为0.9时，模型预测1号样本为正样本，并且该样本确实 是正样本，因此，TP=1，20个样本中，所有正例数量为P=10， 故TPR=TP/P=1/10;这里没有预测错的正样本，即FP=0，负样本总数N=10， 故FPR=FP/N=0/10=0，对应ROC曲线上的点(0,0.1)。依次调整截断点，直到画 出全部的关键点，再连接关键点即得到最终的ROC曲线，下图所示。
其实，还有一种更直观地绘制ROC曲线的方法。首先，根据样本标签统计出 正负样本的数量，假设正样本数量为P，负样本数量为N;接下来，把横轴的刻度 间隔设置为1/N，纵轴的刻度间隔设置为1/P;再根据模型输出的预测概率对样本进 行排序(从高到低);依次遍历样本，同时从零点开始绘制ROC曲线，每遇到一 个正样本就沿纵轴方向绘制一个刻度间隔的曲线，每遇到一个负样本就沿横轴方 向绘制一个刻度间隔的曲线，直到遍历完所有样本，曲线最终停在(1,1)这个 点，整个ROC曲线绘制完成。

AUC

首先要记住，AUC Aera Under Curve。
AUC指的是ROC曲线下的面积大小，该值能够量化地反映基于 ROC曲线衡量出的模型性能。计算AUC值只需要沿着ROC横轴做积分就可以了。 由于ROC曲线一般都处于y=x这条直线的上方(如果不是的话，只要把模型预测的 概率反转成1−p就可以得到一个更好的分类器)，所以AUC的取值一般在0.5~1之 间。AUC越大，说明分类器越可能把真正的正样本排在前面，分类性能越好。

ROC曲线相比P-R曲线有什么特点?

当正负样本的分布发生变化时，ROC曲线的形状 能够基本保持不变，而P-R曲线的形状一般会发生较剧烈的变化。
举例来说，图2.3是ROC曲线和P-R曲线的对比图，其中图2.3(a)和图 2.3©是ROC曲线，图2.3(b)和图2.3(d)是P-R曲线，图2.3©和图 2.3(d)则是将测试集中的负样本数量增加10倍后的曲线图。

可以看出，P-R曲线发生了明显的变化，而ROC曲线形状基本不变。这个特点 让ROC曲线能够尽量降低不同测试集带来的干扰，更加客观地衡量模型本身的性 能。这有什么实际意义呢?在很多实际问题中，正负样本数量往往很不均衡。比 如，计算广告领域经常涉及转化率模型，正样本的数量往往是负样本数量的1/1000 甚至1/10000。若选择不同的测试集，P-R曲线的变化就会非常大，而ROC曲线则 能够更加稳定地反映模型本身的好坏。所以，ROC曲线的适用场景更多，被广泛 用于排序、推荐、广告等领域。

但需要注意的是，选择P-R曲线还是ROC曲线是因 实际问题而异的，如果研究者希望更多地看到模型在特定数据集上的表现，P-R曲 线则能够更直观地反映其性能。