下面这张图中的绿线围成的面积明显大于粉线,也就是AUC1 > AUC2。从这张图我们可以看出,AUC越大,说明曲线围成的面积越大,如果我们选择0-1当中去一个点做垂线,可以得到相同FPR下,通常AUC越大的,对应的TPR也越大(有反例,见下图)。 TPR越大说明模型可以在分错同样数量负样本的情况下预测正确更多的正样本,这...
如果AUC = 1:完美预测,基本不会存在的情况。 如果0.5 < AUC < 1:除了完美预测,那就乘这个区间的最有价值了。 如果AUC = 0.5:因为是二分类,随机猜测也就是这个概率了,完全就没有价值 如果AUC < 0.5:比随机猜测的概率还低!!!但是反过来说,非黑即白,如果取个反呢? 总的来说,不考虑最后一种情况, AUC当...
1. 最直观的,根据AUC这个名称,我们知道,计算出ROC曲线下面的面积,就是AUC的值。事实上,这也是在早期 Machine Learning文献中常见的AUC计算方法。由于我们的测试样本是有限的。我们得到的AUC曲线必然是一个阶梯状的。因此,计算的AUC也就是这些阶梯 下面的面积之和。这样,我们先把score排序(假设score越大,此样本属于...
是ROC 曲线下的面积,它是一个数值,当仅仅看 ROC 曲线分辨不出哪个分类器的效果更好时,用这个数值来判断。 The AUC value is equivalent to the probability that a randomly chosen positive example is ranked higher than a randomly chosen negative example. 从上面定义可知,意思是随机挑选一个正样本和一个负...
ROC曲线的形状不太好量化比较,于是就有了AUC。 AUC,Area under the Curve of ROC (AUC ROC),就是ROC曲线下面的面积。如上图,蓝色曲线下面的面积更大,也就是它的AUC更大。 如图,左侧的红色折线覆盖了下面整个方形面积,AUC=1;中间的曲线向左上方凸起,AUC=0.8;右边的是完全随机的结果,占一半面积,AUC=0.5。
4、AUC AUC值的计算 AUC (Area Under Curve)(https://en.wikipedia.org/wiki/Receiver_operating_characteristic#Area_under_the_curve) 被定义为ROC曲线下的面积,显然这个面积的数值不会大于1。又由于ROC曲线一般都处于y=x这条直线的上方,所以AUC的取值范围一般在0.5和1之间。使用AUC值作为评价标准是因为很多时候...
图1:ROC曲线与AUC面积 现实任务中通常是利用有限个测试样例来绘制ROC图,此时仅能获得有限个(真正例率,假正例率)坐标对,无法产生图1中的光滑ROC曲线,只能绘制出图2所示的近似ROC曲线。绘制过程很简单:给定 个正例和 个反例,根据学习器预测结果对样例进行排序,然后把...
ROC曲线图如下: 同理,我们根据下图的正负类分布画出ROC曲线,AUC = 0.7 当正负类的分布完全相同时,即模型的分类结果是随机给出的,即AUC=0.5,如下图的正负类分布和ROC曲线: AUC=0.5时,模型没有区分正类和负类的能力,这是最糟糕的情况。 当AUC=0时,模型完全预测错...