Python全系列 教程
3567个小节阅读:5931.4k
目录
鸿蒙应用开发
C语言快速入门
JAVA全系列 教程
面向对象的程序设计语言
Python全系列 教程
Python3.x版本,未来主流的版本
人工智能 教程
顺势而为,AI创新未来
大厂算法 教程
算法,程序员自我提升必经之路
C++ 教程
一门通用计算机编程语言
微服务 教程
目前业界流行的框架组合
web前端全系列 教程
通向WEB技术世界的钥匙
大数据全系列 教程
站在云端操控万千数据
AIGC全能工具班
A A
White Night
ROC曲线是通过在不同阈值下计算TPR和FPR,然后将它们绘制在图表上来评估模型性能的一种工具。ROC曲线下的面积(AUC,Area Under the Curve)通常用来量化模型的性能,AUC越高,模型性能越好。通过调整阈值,可以平衡模型的精确性和召回率,以满足特定任务的需求。
FPR(False Positive Rate)指在实际为负类别的样本中,被错误地预测为正类别的样本所占的比例。
它是二分类模型的性能指标之一,用来衡量模型在负类别上的误判程度。
FPR 越低,表示模型在负类别上的性能越好。
TPR:(True Positive Rate)指在实际为正类别的样本中,被正确地预测为正类别的样本所占的比例,也称为灵敏度(Sensitivity)或召回率(Recall)。
TPR 越高,表示模型在正类别上的性能越好
阈值:阈值是一个决策边界,用于将模型的输出映射到二分类的标签。当模型的输出大于阈值时,样本被预测为正类别;当模型的输出小于或等于阈值时,样本被预测为负类别。
在绘制ROC曲线时,会尝试不同的阈值值,计算相应的FPR和TPR,从而生成ROC曲线。ROC曲线展示了在不同阈值下模型的性能变化情况。