专栏名称: 机器学习研究会

机器学习研究会是北京大学大数据与机器学习创新中心旗下的学生组织，旨在构建一个机器学习从事者交流的平台。除了及时分享领域资讯外，协会还会举办各种业界巨头/学术神牛讲座、学术大牛沙龙分享会、real data 创新竞赛等活动。

【学习】ROC曲线以及评估指标F1-Score, recall, precision-整理版

机器学习研究会 · 公众号 · AI · 2017-05-13 18:48

正文

点击上方 “机器学习研究会” 可以订阅哦

摘要

转自：数据思维

最近一直在看ROC曲线，查阅了一些资料，并进行了整理，文章结尾有原资料链接。希望能自己和各位节约时间来找资料，花更多的时间来学习。ROC（Receiver Operating Characteristic）曲线和AUC常被用来评价一个二值分类器（binary classifier）的优劣。ROC曲线怎么来的呢，我们来看经典的混淆矩阵：

ROC曲线一般的横轴是FPR，纵轴是FPR。AUC为曲线下面的面积，作为评估指标，AUC值越大，说明模型越好。如下图：

当然还有其他的一些评估指标，常见的有：ROC、AUC、precision、recall、F1-score。下面是指标详细：

Terminology and derivations
from a confusion matrix
true positive (TP) eqv. with hit true negative (TN) eqv. with correct rejection false positive (FP) eqv. with false alarm , Type I error false negative (FN) eqv. with miss, Type II error sensitivity or true positive rate (TPR) eqv. with hit rate , recall specificity (SPC) or true negative rate (TNR) precision or positive predictive value (PPV) negative predictive value (NPV) fall-out or false positive rate (FPR) false discovery rate (FDR) miss rate or false negative rate (FNR) accuracy