一文读懂AUC-ROC

点击我爱计算机视觉标星，更快获取CVML新技术

---

本文来自于纯真学者出神入化公众号。

英文原文：

https://towardsdatascience.com/understanding-auc-roc-curve-68b2303cc9c5

在机器学习中，性能测量是一项重要任务。当涉及到分类问题时，我们依靠 AUC  -  ROC 曲线来做性能评测。当我们需要检查或可视化多类分类问题的性能时，我们使用 AUC （曲线下面积）和 ROC （接收器操作特性）曲线。它是检查任何分类模型性能的最重要的评估指标之一。AUC有时也被写为 AUROC （接收器工作特性下的区域），本篇文章我们将着重于回答以下问题：

 

1.什么是AUC  -  ROC曲线？

 

2.定义AUC和ROC曲线中使用的术语。

 

3.如何推测模型的性能？

 

4.灵敏度，特异性，FPR和阈值之间的关系。

 

5.如何使用AUC-ROC曲线进行多类别分类？

什么是AUC-ROC 曲线？

AUC - ROC曲线是在各种阈值设置下的分类问题的性能测量方法。 ROC是概率曲线，AUC表示可分离性的程度。它告诉我们有关模型区分的能力。 AUC越高，模型越好，将0预测为0，将1预测为1。AUC越高，模型越好区分疾病患者和无疾病患者。用TPR对FPR绘制ROC曲线，其中TPR在y轴上，FPR在x轴上。

定义一些术语

True Positive Rate/Recall/Sensitivity

Specificity

False Positive Rate

一个优秀的模型具有接近1的AUC，这意味着它具有良好的可分离性。一个糟糕的模型的AUC接近0，这意味着它具有最差的可分离性度量。事实上，这是对结果的颠倒。它将0预测为1，将1预测为0。当AUC为0.5时，意味着模型没有任何类别分离能力。

 

进一步用图形来解释：ROC是概率曲线。因此，让我们绘制这些概率的分布：

 （注意：红色分布曲线是阳性分类（患有疾病的患者），绿色分布曲线是阴性分类（没有疾病的患者））。

这是一个理想的情况。当两条曲线完全不重叠时，模型具有理想的可分离性度量。它完全能够区分TP和TN。

当两个分布重叠时，我们引入类型1和类型2错误。根据阈值，我们可以最小化或最大化它们。当AUC为0.7时，意味着该模型有70％的可能区分正类和负类。

下面是最糟糕的情况。当AUC约为0.5时，模型没有区分正类和负类的辨别能力。

当AUC大约为0时，模型实际上是对类进行了颠倒。这意味着，模型将负类预测为正类，反之亦然。

如何用AUC-ROC 曲线做多类别分类？

在多类别模型中，我们可以使用One vs ALL方法为N个数字类绘制N个AUC-ROC曲线。因此，例如，如果你有三个名为X，Y和Z的类，你将有一个针对Y和Z分类的X的ROC，针对X和Z分类的Y的另一个ROC，以及针对Y和X分类的Z的第三个ROC 。

加群交流

关注各种神奇的计算机视觉技术，欢迎加入52CV专业讨论群，扫码添加CV君拉你入群，

（请务必注明:52CV）

喜欢在QQ交流的童鞋，可以加52CV官方QQ群：702781905。

（不会时时在线，如果没能及时通过验证还请见谅）

---

长按关注我爱计算机视