ROC+PR评价指标计算

---

学习内容：

https://zhuanlan.zhihu.com/p/364253497

ROC

ROC曲线最早在二战期间用在电子工程和雷达工程中，用于军事目标检测。后来也被用在心理学、医学、机器学习等领域的模型效果评估。

它的横坐标为TPR（true positive rate），也称为真正例率，表示真实样本的Positive samples中有多少被预测为Positive。TPR的计算方法和Recall的计算方法完全一样。

它的纵坐标为FPR（false positive rate），也称为假正例率，表示真实样本的Negative samples中有多少被预测为Positive。

ROC-AUC是ROC曲线与横轴的面积，

ROC AUC分数等同于计算预测值与目标值之间的排名相关性。它也可以解释为：从样本中随机找出来一个Positive样本和一个Negative样本，这个Positive样本获得比Negative样本更高分数的概率。

例如，一个模型的ROC-AUC是0.8，那么随机给定一个正样本和负样本，有80%的概率模型给正样本的打分比对于负样本的打分高。此时，我们关心的是两类样本的相对排序，而不是每一个样本预测的概率是否准确
提示：这里可以添加要学的内容

---

PR

PR曲线的名字就是图像的横纵坐标：的纵轴为Precision，横轴为Recall。

学习时间：

提示：这里可以添加计划学习的时间

例如：

• 周一至周五晚上 7 点—晚上9点
• 周六上午 9 点-上午 11 点
• 周日下午 3 点-下午 6 点

---

学习产出：

提示：这里统计学习计划的总量

例如：

• 技术笔记 2 遍
• CSDN 技术博客 3 篇
• 习的 vlog 视频 1 个