江苏龙网

  1. 首页 > 人文 > >

放荡的人生|分类器性能评判标准（Recall、P-R、F1、ROC等）你是否真的懂了？( 三 )


那么如何绘制ROC曲线呢？这里也需要我们通过阈值来绘制（与之前一样 ， 遍历所有阈值来绘制整条曲线的） 。 当改变阈值时 ， 那么预测出正样本和负样本的数目也随之变化 ， 如下图：
7AUC值AUC(AreaUnderCurve)指的是ROC曲线下的面积大小 ， 该值能够量化地反映基于ROC曲线衡量出的模型性能 。 计算AUC值只需要沿着ROC横轴做积分就可以了 。 由于ROC曲线一般都处于y=x这条直线的上方（如果不是的话 ， 只要把模型预测的概率反转成1?p就可以得到一个更好的分类器） ， 所以AUC的取值一般在0.5～1之间 。 AUC越大 ， 说明分类器越可能把真正的正样本排在前面 ， 分类性能越好 。 具体计算方法可参考文献[3] 。
8混淆矩阵混淆矩阵（ConfusionMatrix）也称错误矩阵 ， 通过它可以直观地观察到算法的效果 。 它的每一列是样本的预测分类 ， 每一行是样本的真实分类（反过来也可以） ， 顾名思义 ， 它反映了分类结果的混淆程度 。 混淆矩阵i行j列的原始是原本是类别i却被分为类别j的样本个数 ， 计算完之后还可以对之进行可视化 ， 可看看文献[2]中的混淆矩阵图片演示：
估算模型全局性能的方法有两种：宏平均（macro-average）和微平均（micro-average） 。 综合来看宏平均会比微平均更可靠一些 ， 因为微平均受稀有类别影响更大 。 宏平均平等对待每一个类别 ， 所以它的值主要受到稀有类别的影响 ， 而微平均平等考虑数据集中的每一个样本 ， 所以它的值受到常见类别的影响比较大 。


推荐阅读


上一篇：东风历史|为何竟被诸葛亮一票否决?，这条妙计被后世奉为蜀汉的救命稻草,

下一篇：历史那点事儿|原来理想ONE起火的背后，另有隐情？，抛去流言蜚语看本质