ROC曲线

ROC（Receiver Operating Characteristic，接收者操作特征）是一种用于衡量二分类模型性能的评估指标。ROC曲线是根据不同分类阈值下真正例率（True Positive Rate，又称为召回率）和假正例率（False Positive Rate）之间的关系绘制而成的曲线。

 在二分类模型中，真正例率指的是被正确预测为正例的样本占所有真实正例样本的比例，计算公式为：

真正例率 = 真正例的样本数 / (真正例的样本数 + 假负例的样本数)

。假正例率指的是被错误预测为正例的样本占所有真实负例样本的比例，计算公式为：

假正例率 = 假正例的样本数 / (假正例的样本数 + 真负例的样本数)。

 绘制ROC曲线的具体步骤如下：

 1. 首先，使用二分类模型对样本进行预测，并获取预测结果和真实标签。  

2. 在不同的分类阈值下，根据预测结果和真实标签计算真正例率和假正例率的值。  

3. 将得到的真正例率和假正例率作为坐标，绘制ROC曲线。

 ROC曲线的横轴表示假正例率，纵轴表示真正例率。ROC曲线可以直观地反映出模型在不同分类阈值下的性能表现。一般来说，ROC曲线越靠近左上角，说明模型在较低的分类阈值下能够取得较高的真正例率而保持较低的假正例率，表示模型性能较好。而当ROC曲线接近对角线时，则表示模型的性能较差，无法有效区分正例和负例。

 ROC曲线下面积（Area Under the ROC Curve，AUC）是评估模型性能的一个重要指标。AUC的取值范围在0.5到1之间，越接近1表示模型性能越好，0.5表示模型性能等同于随机分类器。  通过观察ROC曲线和计算AUC，可以比较不同模型的性能，并选择最佳的分类阈值。同时，ROC曲线也适用于不平衡数据集或关注特定类别的情况，可以更全面地评估模型的性能。

详细解析

ROC Curve - MATLAB & Simulink

matlab 例程代码，在matlab 中运行以下代码可以看到例程并实时运行。

openExample('phased/ROCExample') 

openExample('stats/PlotAROCCurveForClassificationAlgorithmsExample')

另外可以查看连接

1, Detector Performance Analysis Using ROC Curves- MATLAB & Simulink- MathWorks 中国

2.Receiver operating characteristic (ROC) curve or otherperformance curve for classifier output - MATLAB perfcurve- MathWorks 中国