1、ROC曲线能很容易的查出任意阈值对学习器的泛化性能影响。
2、2、有助于选择最佳的阈值。
(资料图片仅供参考)
3、ROC曲线越靠近左上角，模型的准确性就越高。
4、最靠近左上角的ROC曲线上的点是分类错误最少的最好阈值，其假正例和假反例总数最少。
5、3、可以对不同的学习器比较性能。
6、将各个学习器的ROC曲线绘制到同一坐标中，直观地鉴别优劣，靠近左上角的ROC曲所代表的学习器准确性最高。
7、优点该方法简单、直观、通过图示可观察分析学习器的准确性，并可用肉眼作出判断。
8、ROC曲线将真正例率和假正例率以图示方法结合在一起，可准确反映某种学习器真正例率和假正例率的关系，是检测准确性的综合代表。
9、2、ROC曲线不固定阈值，允许中间状态的存在，利于使用者结合专业知识，权衡漏诊与误诊的影响，选择一个更加的阈值作为诊断参考值。
10、扩展资料：ROC曲线首先是由二战中的电子工程师和雷达工程师发明的，用来侦测战场上的敌军载具（飞机、船舰），也就是信号检测理论。
11、之后很快就被引入了心理学来进行信号的知觉检测。
12、数十年来，ROC分析被用于医学、无线电、生物学、犯罪心理学领域中，而且最近在机器学习（machine learning）和数据挖掘（data mining）领域也得到了很好的发展。
13、参考资料：百度百科-AUC。
本文到此分享完毕，希望对大家有所帮助。
相关文章
精彩导读
热门资讯