SVM二分类和多分类问题的关键指标（二）

上一篇中讲到的二分类问题关键指标（precision、recall、accuracy、F1-score）和多分类问题关键指标（Macro-average、Micro-average、Weighted-average、accuracy）可以帮助我们了解到：可以用哪些指标来大概评估分类模型的好坏。

依据个人理解，这篇即将讲到的ROC曲线、AUC面积以及P-R曲线是将这些指标进行可视化，可以进行不同模型比较和阈值的选择。

一、ROC曲线

举栗子说明：

该模型的Accuracy达到0.9，实际上该模型一个阳性都没有识别出来，由此可见，accuracy单独使用时并非一个很好的指标。

此时引入几个新的指标：

TPR就是Recall召回率。 

阈值可以进行调整，计算出每个阈值对应的 FPR和TPR，并以FPR为横坐标，TPR为纵坐标连线画图，即为ROC曲线

  最好的阈值的需要视情况而定的。

二、AUC面积

ROC曲线除了可以进行阈值调整之外，还可以进行模型比较，下图中有三条ROC曲线

AUC即为ROC曲线下方面积，AUC可以用来判断模型的优劣，一般来说AUC值越大越好。 

上图中有三条ROC曲线，如果评估这三个模型，可以从两个方面。第一，从ROC曲线方面，越靠近左上角模型越好，因此A>B>C;第二，从AUC值方面，AUC值越大越好，因此也是A>B>C。

三、P-R曲线

通过不断调整阈值，计算每一阈值对应下的Precision和Recall，得到的曲线即为P-R曲线。